PERBANDINGAN METODE GRID SEARCH CV DAN RANDOM SEARCH CV PADA SUPPORT VECTOR MACHINE (SVM) DALAM KLASIFIKASI KETERSEDIAAN RUANG TERBUKA HIJAU

RISA AULIA NISA, . (2025) PERBANDINGAN METODE GRID SEARCH CV DAN RANDOM SEARCH CV PADA SUPPORT VECTOR MACHINE (SVM) DALAM KLASIFIKASI KETERSEDIAAN RUANG TERBUKA HIJAU. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (510kB)
	Text BAB I.pdf Download (1MB)
	Text BAB II.pdf Restricted to Registered users only Download (308kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (966kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Download (351kB) | Request a copy
	Text Daftar Pustaka.pdf Download (774kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (290kB) | Request a copy

Abstract

Dalam membuat model klasifikasi menggunakan algoritma SVM, perlu diperhatikan parameter yang diambil. Nilai parameter dan fungsi kernel yang tepat dapat memberikan performa model klasifikasi yang tinggi. Penelitian ini menggunakan metode Grid Search CV untuk menentukan parameter terbaik sebelum model dibentuk serta metode Random Search CV untuk mengetahui metode mana yang lebih baik dalam menentukan parameter terbaik. Hasil penelitian menunjukkan bahwa kedua metode tersebut memberikan hasil parameter terbaik yang sebanding dengan nilai akurasi sebesar 88%. Model terbaik untuk masalah klasifikasi ketersediaan RTH ini didapatkan dari kernel linier dengan parameter C bernilai 100. Meskipun metode Grid Search CV memberikan hasil yang sebanding dengan metode Random Search CV, metode Random Search CV lebih efisien sebesar 82,2% dibandingkan metode Grid Search CV dengan waktu proses lebih cepat, yaitu 0,130749 detik. *** In creating a classification model using the SVM algorithm, it is necessary to pay attention to the parameters taken. The right parameter values and kernel functions can provide high classification model performance. This research uses the Grid Search CV method to determine the best parameters before the model is formed and the Random Search CV method to find out which method is better at determining the best parameters. The results of the study indicate that both methods produced equally effective optimal parameters, with an accuracy value of 88%. The best model for this green space availability classification problem is obtained from a linear kernel with a C parameter of 100. Although the Grid Search CV method gives the comparable results as the Random Search CV method, the Random Search CV method is 82,2% more efficient than the Grid Search CV method with a faster tuning process time, which is 0,130749 seconds.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. Yudi Mahatma, M.Si. ; 2). Ibnu Hadi, M.Si.
Subjects:	Sains > Matematika
Divisions:	FMIPA > S1 Matematika
Depositing User:	Users 28858 not found.
Date Deposited:	05 Aug 2025 03:34
Last Modified:	05 Aug 2025 03:34
URI:	http://repository.unj.ac.id/id/eprint/57822

Actions (login required)

View Item