OPTIMISASI PARAMETER SUPPORT VECTOR MACHINE BERBASIS ALGORITMA GENETIKA PADA KLASIFIKASI TEKS PENGADUAN MASYARAKAT

Authors

  • Istiadi Istiadi
  • Aviv Yuniar Rahman

DOI:

https://doi.org/10.31328/ciastech.v3i1.1904

Keywords:

SVM, Algoritma Genetika, parameter, kernel, klasifikasi teks.

Abstract

Layanan pesan masyarakat secara online berupa teks yang perlu mendapatkan tanggapan sesegera mungkin oleh pihak terkait. Oleh karena itu dibutuhkan sistem klasifikasi teks dengan akurasi yang baik. Salah satunya adalah dengan metode Support Vector Machine (SVM) yang memiliki variasi kernel. Akan tetapi kelemahan SVM adalah untuk penentuan parameternya. Salah satu pendekatan dalam optimisasi penentuan parameter adalah menggunakan Algoritma Genetika (AG). Penelitian ini bertujuan melakukan optimisasi parameter pada SVM menggunakan AG pada kasus layanan pesan masyarakat pada Sambat Online Kota Malang. Jumlah sampel data diambil pada layanan tersebut sebanyak 200 pesan dengan tujuh kelas kategori yang dibagi menjadi data latih dan data uji yang bervariasi perbandingannya. Paremater yang dioptimasi pada masing-masing kernel antara lain kernel linear (C), polynomial (C, ð›¾, derajat), RBF (C,ð›¾), dan sigmoid (C,ð›¾). Optimisasi dan pengujian dilakukan dengan variasi persentase rasio data latih dan data uji yaitu 20:80, 40:60, 60:40, 80:20. Pengujian dilakukan dengan menerapkan parameter hasil optimisasi dan mengukur tingkat akurasinya. Hasil pengujian terbaik diperoleh pada kernel linear dengan tingkat akurasi sebesar 85,37% pada rasio data latih terhadap data uji sebesar 80% : 20%. Hal ini menunjukkan bahwa kernel linear lebih sesuai dibandingkan kernel lainnya apabila digunakan pada kasus klasifikasi teks pada layanan Sambat Online.

References

Nugroho, L.E., Egaravanda, S. and Achmad, K.A. (2018). An architecture for facilitating two-way G2C relationships in public service delivery. International Journal on Advanced Science, Engineering and Information Technology, 8(4), pp.1179-1184.

Suharno, C. F., Fauzi, M. A., & Perdana, R. S. (2017). Klasifikasi Teks Bahasa Indonesia Pada Dokumen Pengaduan Sambat Online Menggunakan Metode K-Nearest Neighbors Dan Chi-Square. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.

Prasanti, A.A., Fauzi, M.A. and Furqon, M.T. (2018). Klasifikasi teks pengaduan pada sambat online menggunakan metode n-gram dan neighbor weighted k-nearest neighbor (NW-KNN). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, p.964X.

Nugroho, K.S., Istiadi, I. and Marisa, F. (2020). Optimalisasi Naive Bayes Classifier untuk Klasifikasi Teks pada E-Government Menggunakan Particle Swarm Optimization. Jurnal Teknologi dan Sistem Komputer, 8(1).

Jumeilah, F. S. (2017). Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 1(1), 19-25.

IntanP. K. (2019). Comparison of Kernel Function on Support Vector Machine in Classification of Childbirth. Jurnal Matematika MANTIK, 5(2), 90-99.

Harafani, H. (2020). Support Vector Machine Parameter Optimization to Improve Liver Disease Estimation with Genetic Algorithm. SinkrOn, 4(2), 106-114.

Chang, C. C., & Lin, C. J. (2011). LIBSVM: A library for support vector machines. ACM transactions on intelligent systems and technology (TIST), 2(3), 1-27.

Ispandi, I., & Wahono, R. S. (2015). Penerapan Algoritma Genetika Untuk Optimasi Parameter pada Support Vector Machine untuk Meningkatkan Prediksi Pemasaran Langsung. Journal of Intelligent Systems, 1(2), 115-119.

Downloads