PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA

Transkripsi

1 PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : ) Dosen Pembimbing I Dr.Chastine Fatichah, S.Kom., M.Kom. Dosen Pembimbing II Rully Soelaiman, S.Kom., M.Kom.. Minggu, 06 Juli

2 PRESENTASI TUGAS AKHIR UJI KINERJA PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : ) Dosen Pembimbing I Dr.Chastine Fatichah, S.Kom., M.Kom. Dosen Pembimbing II Rully Soelaiman, S.Kom., M.Kom.. Minggu, 06 Juli

3 Pendahuluan Uji Coba dan Analisis Hasil Agenda Perancangan Perangkat lunak Kesimpulan dan Saran Minggu, 06 Juli 2014 Tugas Akhir CI1599 3

4 Latar Belakang Pendahuluan Tujuan Batasan Masalah Permasalahan Pola Klasifikasi Metode Klasifikasi SVM Kelebihan SVM: Error klasifikasi yang relatif kecil Cocok untuk permasalahan berdimensi tinggi Memiliki landasan teori yang dapat dianalisis dengan jelas Dapat diimplementasikan relatif mudah Kekurangan SVM: Sulit dipakai dalam permasalahan berskala besar Kualitas tergantung dengan parameter dan fungsi-fungsi yang digunakan Kelebihan SA: Dapat mengatasi model permasalahan nonlinier Dapat mengatasi data yang memiliki banyak batasan Fleksibel, tidak bergantung pada ketentuan atau model tertentu Kekurangan SA: Kualitas ditentukan oleh presisi nilainilai variabel pada proses Menambah waktu komputasi Minggu, 06 Juli 2014 Tugas Akhir CI1599 4

5 Latar Belakang Pendahuluan Tujuan Batasan Masalah Support Vector Machine Simulated Annealing Menghasilkan metode klasifikasi yang: Memiliki nilai error dari klasifikasi yang relatif kecil Cocok untuk permasalahan berdimensi tinggi Dapat diimplementasikan dengan mudah Memiliki kualitas klasifikasi dari SVM yang baik karena parameter dioptimasi dengan SA SA bekerja maksimum karena variabel pada prosesnya telah disesuaikan dengan SVM Minggu, 06 Juli 2014 Tugas Akhir CI1599 5

6 Latar Belakang Pendahuluan Tujuan Batasan Tujuan Masalah Implementasi algoritma Simulated Annealing untuk mengoptimasi parameter SVM yaitu C dan σ. Implementasi algoritma Simulated Annealing pada SVM dengan kernel yang telah dimodifikasi. Melakukan uji coba dan analisis kinerja dari algoritma yang telah diimplementasikan. Minggu, 06 Juli 2014 Tugas Akhir CI1599 6

7 Latar Belakang Pendahuluan Batasan Batasan Tujuan Masalah Masalah Dataset yang digunakan adalah Hepatitis dan Breast Cancer dari UC Irvine Machine Learning Repository (UCI). Implementasi dilakukan pada Matlab 2008a Parameter yang dioptimasi parameter C dan σ. Kernel yang digunakan adalah kernel RBF Minggu, 06 Juli 2014 Tugas Akhir CI1599 7

8 Perancangan Perangkat lunak Uji coba dan analisis hasil Agenda Pendahuluan Kesimpulan dan Saran Minggu, 06 Juli 2014 Tugas Akhir CI1599 8

9 Perancangan Perangkat Lunak Data Metode Gambaran Aplikasi Hasil Aplikasi Minggu, 06 Juli 2014 Tugas Akhir CI1599 9

10 Perancangan Perangkat Lunak Data Data hepatitis 21 fitur Class: Die & Live Total data: 155 Data yang memiliki missing value: 75 Data yang digunakan: 80 Distribusi class: 13 Die 67 Live Data Breast Cancer 10 fitur Class: Benign & Malignant Total data: 699 Data yang memiliki missing value: 16 Data yang digunakan: 683 Distribusi class: 444 Benign 239 Malignant Minggu, 06 Juli 2014 Tugas Akhir CI

11 Data Keterangan Variabel Data Hepatitis Nomor Atribut Keterangan 1 Class Die, Live 2 Age 10, 20, 30, 40, 50, 60, 70, 80 3 Sex Male, Female 4 Steroid No, Yes 5 Antivirals No, Yes 6 Fatique No, Yes 7 Malaise No, Yes 8 Anorexia No, Yes 9 Liver Big No, Yes 10 Liver Firm No, Yes 11 Spleen No, Yes Palpable 12 Spiders No, Yes 13 Ascites No, Yes 14 Varices No, Yes 15 Bilirubin 0.39, 0.80, 1.20, 2.00, 3.00, Alk Phosphate 33, 80, 120,160, 200, Sgot 13, 100, 200, 300, 400, Albumin 2.1, 3.0, 3.8, 4.5, 5.0, Protime 10, 20, 30, 40, 50, 60, 70, 80, Histology No, Yes Perancangan Perangkat Lunak Keterangan Variabel Data Breast Cancer Nomor Atribut Keterangan 1 Sample Code Number Id number 2 Clump Thickness Uniformity of Cell Size Uniformity of Cell 1 10 Shape 5 Marginal Adhesion Single Ephitelial Cell 1 10 Size 7 Bare Nuclei Bland Chromatin Normal Nucleoli Mitoses Class 2 untuk Benign, 4 untuk Malignant Minggu, 06 Juli 2014 Tugas Akhir CI

12 Perancangan Perangkat Lunak Support Vector Machine Metode Support Vector Machine diperkenalkan oleh Vladimir N. Vapnik pada tahun 1992 Prinsip dasar SVM adalah linear classifier. Kemudian konsep ini dikembangkan dengan kernel trick sehingga dapat bekerja pada permasalahan berdimensi tinggi. Konsep SVM adalah pengambilan keputusan berdasarkan hyperplane yang terbentuk Minggu, 06 Juli 2014 Tugas Akhir CI

13 .:WEIGHTED KERNEL:. Pembobotan pada data dilakukan untuk memberikan penekanan sesuai dengan tingkat kandungan informasi pada suatu data. Pembobotan dilakukan pada fungsi kernel RBF yang dimodifikasi : 2 S( xi x j ) K SW ( xi, x j ) exp 2 (1) 2 Minggu, 06 Juli 2014 Tugas Akhir CI

14 Perancangan Perangkat Lunak Simulated Annealing Metode Simulated Annealing adalah metode metaheuristik yang mengadaptasi konsep metalurgi besi yang dipanaskan pada suhu tertentu. Simulated Annealing merupakan metode pencarian nilai optimal global yang dilakukan secara bertahap sesuai dengan prinsip hubungan antara suhu dengan energi yang dibutuhkan besi. Minggu, 06 Juli 2014 Tugas Akhir CI

15 Perancangan Perangkat Lunak Gambaran Aplikasi Simulated Annealing Konfigurasi Penentu Optimasi Penentuan Parameter SVM Fungsi Objektif Representasi Solusi Akurasi terbaik dengan parameter optimal Cross Validation Akurasi Pelatihan Pengujian Kernel dan pembobotan Minggu, 06 Juli 2014 Tugas Akhir CI

16 Perancangan Perangkat Lunak Simulated Annealing (Bag. Pertama) Inisialisasi kondisi awal dan iterasi Estimasi parameter dengan nilai random Aplikasi parameter pada SVM Parameter C Merupakan parameter untuk mengkondisikan nilai soft margin pada SVM Parameter σ (sigma) Merupakan parameter untuk kernel RBF pada SVM SA Bag. 2 Minggu, 06 Juli 2014 Tugas Akhir CI

17 Perancangan Perangkat Lunak SVM Parameter dari SA Cross Validation Pelatihan Dataset Kembalikan nilai akurasi terbaik dari n- folds cross validation ke SA Membagi dataset menjadi n bagian untuk pelatihan dan pengujian Pengujian Membutuhkan: data latih, data uji, jenis kernel, pembobotan, dan α Menghasilkan akurasi Membutuhkan: data latih, jenis kernel, & parameter C Menghasilkan α Kernel Membutuhkan: nilai data dan fitur, jenis kernel, parameter σ, dan pembobotan Minggu, 06 Juli 2014 Tugas Akhir CI

18 Perancangan Perangkat Lunak Simulated Annealing (Bag. Kedua) Hitung nilai probabilitas (Probabilitas Boltzman) tidak Akurasi lebih baik? Nilai akurasi SVM Ya Nilai random > probabilitas? tidak Simpan nilai akurasi dan konfigurasi parameter Estimasi parameter dengan nilai random Ya Tolak konfigurasi Iterasi selesai tidak Kembalikan nilai akurasi dan konfigurasi parameter terbaik Ya Minggu, 06 Juli 2014 Tugas Akhir CI

19 Perancangan Perangkat Lunak Hasil Program Hasil Aplikasi Iterasi Folds Nilai Nilai parameter σ parameter C Akurasi terbaik SVM Keputusan SA Minggu, 06 Juli 2014 Tugas Akhir CI

20 Uji Coba dan Analisis Hasil Perancangan Perangkat Lunak Agenda Pendahuluan Kesimpulan dan Saran Minggu, 06 Juli 2014 Tugas Akhir CI

21 Uji Coba Uji Coba Awal Percobaan dilakukan pada data Hepatitis dan Breast Cancer dengan menggunakan parameter yang dianggap paling optimal oleh literatur utama. C = 16,6 σ = 0,31342 Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation Minggu, 06 Juli 2014 Tugas Akhir CI

22 Uji Coba Awal Tabel Hasil Percobaan Awal pada Data Hepatitis 5 Folds Cross Validation Validasi ke Data Latih Data Uji Akurasi , , , , ,50 Tabel Hasil Percobaan Awal pada Data Hepatitis 10 Folds Cross Validation Validasi ke Data Latih Data Uji Akurasi , , , , , , , , , ,50 Tabel Hasil Percobaan Awal pada Data Breast Cancer 5 Folds Cross Validation Validasi Ke Data Latih Data Uji Akurasi , , , , ,27 Tabel Hasil Percobaan Awal pada Data Breast Cancer 10 Folds Cross Validation Validasi Ke Data Latih Data Uji Akurasi , , , , , , , , , ,56 Minggu, 06 Juli 2014 Tugas Akhir CI

23 Uji Coba Analisis Hasil Uji Coba SVM-SA Percobaan C σ Folds Akurasi , , ,1 5 97, , , ,1 5 97, , , , , , , , , , , , ,75 Folds Tabel Hasil Percobaan SVM-SA pada Data Hepatitis Tabel Hasil Percobaan Awal pada Data Hepatitis Akurasi terbaik percobaan awal Percobaan C Folds Akurasi 1 0,9 0,4 5 99,41 2 1,5 0, Folds Tabel Hasil Percobaan SVM-SA pada Data Breast Cancer Tabel Hasil Percobaan Awal pada Data Breast Cancer Akurasi terbaik percobaan awal Hasil Akurasi akurasi maksimum pada untuk data 5 folds Hepatitis cross validation sama akurat data Breast dibandingkan Cancer sama dengan dengan percobaan uji awal. Namun namunada didapatkan beberapa dariparameter pasangan parameter yang dapat yang berbeda. menghasilkan akurasi terbaik. Akurasi yang dihasilkan 10 folds cross validation 0,29% lebih baik daripada percobaan awal Minggu, 06 Juli 2014 Tugas Akhir CI

24 Uji Coba Analisis Hasil Uji Coba SVM-SA 0-0,5 Grafik A. Hasil Percobaan SVM-SA 5 folds Cross Validation 0-0,5 Pada grafik, tampak bahwa wilayah puncak yang merupakan representasi dari akurasi yang baik berada di wilayah parameter σ yang sempit (antara 0 0,5) untuk berbagai variasi nilai parameter C. Hal ini sesuai dengan hasil akurasi pada tabel hasil akurasi baik dengan 5 folds cross validation maupun 10 folds cross validation. Grafik B. Hasil Percobaan SVM-SA 10 folds Cross Validation Minggu, 06 Juli 2014 Tugas Akhir CI

25 Uji Coba Analisis Hasil Uji Coba SVM-SA Pada grafik 5 folds cross validation, hanya beberapa pasangan parameter saja yang bisa mencapai titik puncak atau akurasi terbaik. Parameter yang menghasilkan akurasi terbaik berada pada wilayah parameter C = 0,9 dan σ = 0,4 Pada uji coba ini terdapat 8 dari 100 pasangan parameter yang menghasilkan akurasi di atas rata-rata. Uji coba 10 folds cross validation menunjukkan bahwa akurasi yang tinggi dapat dicapai dengan parameter kernel RBF atau parameter σ antara 0-0,5 dan parameter C antara Pada uji coba ini, 43 dari 80 pasangan parameter menghasilkan akurasi di atas rata-rata. Grafik C. Hasil Percobaan SVM-SA 5 folds Cross Validation Grafik D. Hasil Percobaan SVM-SA 10 folds Cross Validation Minggu, 06 Juli 2014 Tugas Akhir CI

26 Uji Coba SVM-SA-Pembobotan Kernel Tabel Hasil Percobaan SVM-SA-Pembobotan Kernel Pada Data Hepatitis Percobaan C Folds Akurasi , , , , ,1 5 97, , , , , ,2915 2, , , , , , , , ,75 Tabel Hasil Uji Coba Data Hepatitis Percobaan Folds Akurasi terbaik Awal Awal SVM SA SVM - SA Tabel Hasil Percobaan SVM-SA-Pembobotan Kernel pada Data Breast Cancer Percobaan C Folds Akurasi 1 4,2 0,1 5 96,49 2 7,921 0, ,54 Tabel Hasil Uji Coba Data Breast Cancer Percobaan Folds Akurasi terbaik Awal 5 99,41 Awal 10 99,71 SVM SA 5 99,41 SVM - SA Hasil akurasi percobaan pada data Hasil akurasi percobaan pada data Breast Hepatitis menjadi lebih akurat 1.25% daripada Cancer percobaan menurun awal daripada pada variasi percobaanpercobaan 10 folds cross validation sebelumnya pada kedua variasi cross validation Minggu, 06 Juli 2014 Tugas Akhir CI

27 Uji Coba Analisis Hasil SVM-SA-Pembobotan Kernel 0-1,5 Grafik hasil percobaan SVM-SA 5 folds CV 0-3 Jangkauan parameter kernel RBF yang menghasilkan akurasi maksimum menjadi antara 0 sampai 1,5 dengan berbagai nilai parameter C dari sebelumnya yang berkisar antara antara 0 0,5 Grafik hasil percobaan SVM-SA 10 folds CV Minggu, 06 Juli 2014 Tugas Akhir CI

28 Uji Coba Analisis Hasil SVM-SA-Pembobotan Kernel Jangkauan dari pasangan parameter yang dapat menghasilkan akurasi tinggi ada pada jangkauan parameter σ antara 0-0,5 dan C antara 0-6 Dengan parameter yang terbatas, sistem dapat menghasilkan akurasi yang tinggi. Hal ini dibuktikan dengan 56 dari 85 pasangan parameter yang mencapai akurasi di atas rata-rata 0-0,5 Grafik hasil percobaan SVM-SA 5 folds CV Grafik hasil percobaan SVM-SA 10 folds CV 0-0,5 Minggu, 06 Juli 2014 Tugas Akhir CI

29 Kesimpulan dan Saran Perancangan Perangkat Lunak Agenda Pendahuluan Uji Coba dan Analisis Hasil Minggu, 06 Juli 2014 Tugas Akhir CI

30 Kesimpulan dan Saran Kesimpulan Algoritma Simulated Annealing (SA) dapat diimplementasikan untuk mengoptimasi parameter SVM Metode pembobotan kernel Gradient Descent dapat diaplikasikan pada SVM untuk memperbaiki hasil klasifikasi. Sistem SVM dengan optimasi parameter menggunakan SA lebih akurat hingga 1,25% lebih baik daripada tanpa menggunakan optimasi parameter SA pada dataset Hepatitis. Jangkauan nilai parameter dapat diperluas hingga 2 kali lipat dengan menerapkan metode pembobotan kernel. Minggu, 06 Juli 2014 Tugas Akhir CI

31 Kesimpulan dan Saran Saran Membuat antarmuka yang baik sehingga dapat dioperasikan dengan mudah oleh pengguna. Minggu, 06 Juli 2014 Tugas Akhir CI

32 Terima Kasih Minggu, 06 Juli 2014 Tugas Akhir CI

33 Perancangan Perangkat Lunak Pembobotan Kernel Gradient Descent Algoritma optimasi untuk menemukan local minimum dari sejumlah jangkauan nilai dari suatu fungsi dengan menggunakan langkah yang proporsional Membutuhkan e sebagai searching speed dan n sebagai batas iterasi Diterapkan pada kernel untuk mendapatkan nilai margin yang paling maksimum sehingga akurasi lebih baik Minggu, 06 Juli 2014 Tugas Akhir CI

34 Gradient Descent Minggu, 06 Juli 2014 Tugas Akhir CI

35 Perancangan Perangkat Lunak Support Vector Machine Traning Dataset Vladimir N. Vapnik (1992) Pengambilan keputusan berdasarkan bidang-bidang terbatas 5 Decision Boundary Pengelompokan class dengan decision boundary Minggu, 06 Juli 2014 Tugas Akhir CI

36 Perancangan Perangkat Lunak Optimal Separating Hyperplane Hyperplane dinotasikan dengan w x b = 0 Jarak antara hyperplane dengan support vector γ = 1 w Hyperplane ideal = margin maksimal untuk memisahkan data Margin maksimal nilai w minimal Optimasi dengan Lagrange Multiplier L w, b, α = 1 2 w 2 l i=1 α i y i x i. w + b 1 Minggu, 06 Juli 2014 Tugas Akhir CI

37 Kernel Trick Data tidak dapat dipisahkan dengan batas linear Transformasi data ke ruang-ruang baru untuk membentuk batas linier Dapat digantikan oleh fungsi kernel Disesuaikan dengan kondisi data. Mengandalkan dot product data. Kernel Trick - Metode untuk menghitung kesamaan dari ruang yang ditransformasi menggunakan atribut set awal dan nilai dot product dari data RBF Kernel Optimasi variabel σ untuk memaksimalkan kinerja fungsi kernel Minggu, 06 Juli 2014 Tugas Akhir CI

38 Kernel Trick Klasifikasidengan kernel trick: f x = w. x + b f x = f x = l i=1,x i SV l i=1,x i SV α i y i x. (x i ) + b α i y i K x. x i + b Kernel yang biasa dipakai pada SVM Nama Kernel Polinomial Radial-basis function (RBF/Gaussian) Inner Product Kernel (x T x i + 1) p dengan nilai p ditentukanolehpengguna exp x x 2 2 2σ 2 dengan nilai σ ditentukanolehpengguna Two Layer Perceptron tan h(β 0 x T x i + β 1 ) Minggu, 06 Juli 2014 Tugas Akhir CI

39 Diagram Alir Perangkat Lunak Inisialisasi State dan Max-Score Pilih nilai random untuk parameter Cross Validation Dataset Bagi data menjadi k-bagian Pilih satu bagian untuk menjadi testing Kurangi Iterasi dan jangkauan nilai SVM dengan pembobotan kernel Tidak NewScore >Pre-Score NewScore = CVScore Ya Semua bagian terpilih menjadi data test? Tidak Ya PreScore = NewScore PreScore >= MaxScore Kembalikan Minggu, 06 Juli 2014 Tugas Akhir CI parameter terbaik dan Score terbaik

40 Simulated Annealing Probability Boltzman P = exp E k b T = e E kb T Digunakan sebagai penentu diterimanya solusi dari fungsi objektif. Persamaan ini menandakan hubungan antara T (Temperatur/suhu) dengan E (energi). Pada permasalahan SVM SA, E adalah fungsi SVM dengan hasil akurasi dari klasifikasi. Pada sistem ini, Probabilitas Boltzman digunakan untuk mengetahui Akurasi yang sering muncul Minggu, 06 Juli 2014 Tugas Akhir CI

41 Simulated Annealing Kelebihan: dapat mengatasi model permasalahan nonlinier yang memiliki tingkat tinggi, data yang kacau, data memiliki banyak noise, dan data yang memiliki banyak batasan Fleksibel sehingga banyak digunakan untuk menyelesaikan banyak permasalahan Kekurangan Perlu banyak penyesuaian Nilai atas variabel menentukan kualitas optimasi Minggu, 06 Juli 2014 Tugas Akhir CI

42 Uji Coba Uji Coba Awal Data Hepatitis Validasi ke Data Latih Data Uji Akurasi , , , , ,50 K = 5; C = 16,6; σ = Validasi ke Data Latih Data Uji Akurasi , , , , ,75 Percobaan dilakukan pada data hepatitis dengan menggunakan parameter yang dianggap paling optimal oleh literatur utama. C = 16,6 σ = 0,31342 Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation , , , , ,50 K = 10; C = 16,6; σ = Minggu, 06 Juli 2014 Tugas Akhir CI

43 Uji Coba Uji Coba Awal Validasi Ke Data Latih Data Uji Akurasi , , , , ,27 K = 5, C = 10, σ = 0,4 Validasi Ke Data Latih Data Uji Akurasi , , , , , , , , , ,56 K = 10; C = 10; σ = 0,4 Percobaan dilakukan pada data Breast Cancer dengan menggunakan parameter yang tetap C = 10 σ = 0,4 Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation Minggu, 06 Juli 2014 Tugas Akhir CI

44 Uji Coba SVM-SA Nomor C σ Folds Akurasi , , ,1 5 97, , , ,1 5 97, , , , , , , , , , , , ,75 Percobaan data hepatitis parameter hasil optimasi SA Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation, Masing-masing minimal 5 kali percobaan Folds Akurasi terbaik percobaan awal Hasil akurasi untuk percobaan ini sama akurat dibandingkan dengan percobaan awal. Namun ada beberapa parameter yang dapat menghasilkan akurasi terbaik. Minggu, 06 Juli 2014 Tugas Akhir CI

45 Uji Coba Analisis Hasil Uji Coba SVM-SA Grafik hasil percobaan SVM-SA 5 folds CV 0-0,5 0-0,5 Pada grafik, tampak bahwa wilayah puncak yang merupakan representasi dari akurasi yang baik berada di wilayah parameter σ yang sempit (antara 0 0,5) untuk berbagai variasi nilai parameter C. Hal ini sesuai dengan hasil akurasi pada tabel hasil akurasi baik dengan 5 folds cross validation maupun 10 folds cross validation. Grafik hasil percobaan SVM-SA 10 folds CV Minggu, 06 Juli 2014 Tugas Akhir CI

46 Uji Coba SVM-SA-Pembobotan Kernel Percobaan C Folds Akurasi , , , , ,1 5 97, , , , , ,2915 2, , , , , , , , ,75 Percobaan Folds Akurasi terbaik Awal Awal SVM SA SVM - SA Percobaan data hepatitis Parameter hasil optimasi SA Implementasi pembobotan kernel Gradient Descent Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation, Masing-masing minimal 5 kali percobaan Hasil akurasi menjadi lebih akurat 1.25% daripada percobaan awal pada variasi 10 folds cross validation Minggu, 06 Juli 2014 Tugas Akhir CI

47 Uji Coba SVM-SA Percobaan C Folds Akurasi 1 0,9 0,4 5 99,41 2 1,5 0, Folds Akurasi terbaik percobaan awal Percobaan dilakukan pada data Breast Cancer dengan menggunakan parameter hasil optimasi SA Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation, masing-masing minimal 1 kali percobaan Akurasi maksimum untuk 5 folds cross validation sama dengan uji coba awal namun didapatkan dari pasangan parameter yang berbeda. Akurasi yang dihasilkan 10 folds cross validation 0,29% lebih baik daripada percobaan awal. Minggu, 06 Juli 2014 Tugas Akhir CI

48 Uji Coba SVM-SA-Pembobotan Kernel Percobaan C Folds Akurasi 1 4,2 0,1 5 96,49 2 7,921 0, ,54 Percobaan Folds Akurasi terbaik Awal 5 99,41 Awal 10 99,71 SVM SA 5 99,41 Percobaan dilakukan pada data Breast Cancer dengan menggunakan parameter hasil optimasi SA Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation, masing-masing minimal 1 kali Percobaan SVM - SA Minggu, 06 Juli 2014 Tugas Akhir CI