OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK KLASIFIKASI MULTICLASS DATASET

Abstract

Data mining merupakan proses pengembangan model yang bertujuan untuk memahami pola dari hasil analisis data dan prediksi. Kumpulan data atau yang biasa disebut dataset terdiri dari atribut, data dan kelas. Salah satu permasalahan yang terdapat pada dataset yaitu multiclass dataset. Multiclass merupakan dataset yang memiliki kelas klasifikasi polynominal. Algoritma Support Vector Machine (SVM) banyak digunakan oleh peneliti untuk metode klasifikasi. SVM dipilih karena mampu menentukan hyperplane terpisah untuk memaksimalkan margin antara 2 kelas yang berbeda. Namum, SVM terdapat kekurangan pada saat dilakukan pemilihan parameter, untuk itu diterapkan Particle Swarm Optimization (PSO) untuk meningkatkan hasil akurasi. PSO digunakan untuk optimasi bobot sedangkan SVM digunakan untuk klasifikasi. Dataset yang digunakan merupakan dataset dari UCI Machine Learning Repository. Penerapan SVM menghasilkan nilai akurasi sebesar 78.30% pada breast tissue dataset, 85.81% pada vertebral column dataset, 50.50% pada obesity levels dataset, 92.58% pada hepatitis C virus (HCV) dataset, dan sebesar 52.63% pada exasens dataset. Kemudian setelah dilakukan penerapan optimasi PSO terhadap algoritma SVM diperoleh hasil 83.96% pada breast tissue dataset, 87.42% pada vertebral column dataset, 59.64% pada obesity levels dataset, 96.59% pada hepatitis C virus (HCV) dataset, dan sebesar 56.40% pada exasens dataset. Setelah diterapkan PSO terhadap SVM diperoleh peningkatan akurasi sebesar 1% - 9%. Hasil percobaan menghasilkan bahwa metode yang digunakan mampu menghasilkan kinerja yang baik, dibandingkan dengan hasil klasifikasi lain dengan peningkatan yang signifikan dengan nilai p uji-t 0.019.