Optimasi Parameter Support Vector Machine Dengan Algoritma Genetika Untuk Meningkatkan Hasil Klasifikasi Indeks Massa Tubuh Pada Lansia

Mahing, Naufal Fathirachman and Dr. Diva Kurnianingtyas, S.Kom and Ir. Indriati, S.T., M.Kom (2024) Optimasi Parameter Support Vector Machine Dengan Algoritma Genetika Untuk Meningkatkan Hasil Klasifikasi Indeks Massa Tubuh Pada Lansia. Sarjana thesis, Universitas Brawijaya.

Abstract

Penelitian mengeksplorasi aplikasi algoritma genetika untuk meningkatkan kinerja Support Vector Machine (SVM), dengan fokus pada klasifikasi Indeks Massa Tubuh (IMT) pada lanjut usia. IMT dapat digunakan sebagai indikator berbagai permasalahan dalam kesehatan. Permasalahan tersebut seperti masalah gizi untuk lansia dan obesitas. Model yang dikembangkan dapat memberikan kemampuan untuk memberikan kemampuan deteksi masalah-masalah lebih awal dimana IMT digunakan sebagai indikator. SVM memiliki banyak aplikasi diantaranya kategorisasi teks, klasifikasi gambar, bioinformatics, dan klasifikasi spesies tanaman. Meskipun banyak aplikasinya, SVM memiliki beberapa kekurangan, yaitu perlunya metode klasifikasi pair-wise untuk melakukan klasifikasi kelas lebih dari dua kelas, dan semakin tinggi ukuran dimensi semakin berat komputasi yang dilakukan. SVM juga memiliki masalah yaitu parameter memiliki pengaruh penting pada akurasi klasifikasinya. Parameter yang tidak tepat dapat menghasilkan hasil klasifikasi yang buruk. Bertujuan menyelesaikan masalah ini maka diterapkan algoritma genetika. Parameter algoritma genetika yang digunakan tidak memberikan perubahan terhadap kernel linear dan sigmoid. Kernel RBF dan polinomial memiliki peningkatan nilai fitness jika jumlah generasi dan ukuran populasi yang digunakan juga meningkat. Nilai fitness kernel RBF juga memiliki peningkatan jika laju persilangan meningkat hingga laju persilangan 0.6. Hasil optimasi, kernel linear dan sigmoid tidak menunjukkan peningkatan sama sekali. Perbandingan kernel RBF dan polinomial setelah dioptimasi menunjukkan hasil yang lebih baik daripada tidak dioptimasi, terkecuali kernel linear dan sigmoid.

English Abstract

The research explores the application of genetic algorithms to enhance the performance of Support Vector Machine (SVM), focusing on the classification of Body Mass Index (BMI) in the elderly. BMI can serve as an indicator for various health issues, such as nutritional problems in the elderly and obesity. The developed model has the capability to detect problems at an earlier stage, where BMI is used as an indicator. SVM has numerous applications, including text categorization, image classification, bioinformatics, and plant species classification. Despite its many applications, SVM has some drawbacks, such as the need for pair-wise classification methods for classes beyond two, and an increase in computational complexity with higher-dimensional data. SVM also faces challenges related to the significant influence of parameters on its classification accuracy. Inappropriate parameter settings can lead to poor classification outcomes. To address these challenges and achieve optimal results, genetic algorithms are applied. The genetic algorithm parameters used do not effect the linear and sigmoid kernels. RBF and polynomial kernels experience an increase in fitness value if the number of generations and population size used also increases. The fitness value of the RBF kernel also increases if the crossover rate increases up to a crossover rate of 0.6. Parameter optimization for four kernels, RBF, and polynomial, demonstrates a significant improvement, with RBF evaluation increasing from 0.45 and polynomial from 0.55 to 0.91. However, the linear and sigmoid kernels show no improvement. The comparison between optimized RBF and polynomial kernels yields better results than the non-optimized ones, excluding the linear and sigmoid kernels.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150193
Uncontrolled Keywords:	optimasi parameter, algoritma genetika, lansia, support vector machine, indeks massa tubuh, klasifikasi
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	25 Mar 2024 07:28
Last Modified:	25 Mar 2024 07:28
URI:	http://repository.ub.ac.id/id/eprint/216214

Text (DALAM MASA EMBARGO) Naufal Fathirachman Mahing.pdf Restricted to Registered users only Download (3MB)

Actions (login required)

View Item