Skripsi/Tugas Akhir

Perbandingan Tingkat Akurasi Metode Support Vector Machine dan K-Nearest Neighbor

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Penelitian ini bertujuan untuk membandingkan tingkat akurasi dua metode klasifikasi yang populer, yaitu Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN), dalam konteks pengolahan data tertentu. Studi ini melibatkan analisis kinerja kedua algoritma tersebut pada dataset yang telah dipilih dan diproses sebelumnya. Dengan menggunakan metode cross-validation, kami mengevaluasi akurasi, presisi, recall, dan F1-score dari kedua model untuk menentukan metode yang lebih efektif. Hasil penelitian menunjukkan bahwa terdapat perbedaan signifikan dalam kinerja SVM dan KNN, tergantung pada karakteristik dataset yang digunakan. Analisis mendalam dan diskusi mengenai kelebihan dan kekurangan masing-masing metode juga disajikan untuk memberikan panduan dalam pemilihan algoritma yang paling sesuai untuk berbagai jenis masalah klasifikasi. Adapun hasil uji data prediksi perbandingan antara algoritma SVM dengan algoritma KNN, dimana pada hasil uji SVM mendapatkan menghasilkan nilai accuracy 100%, recall 100% dan precission 100%. Sedangkan pada hasil uji KNN yakni menghasilkan jumlah nilai accuracy 97%, recall 93% dan precission 95%. Dapat disimpulkan bahwa algoritma SVM lebih efisien dalam memprediksi jumlah keuntungan penjualan mobil setiap tahunnya dibandingkan dengan algoritma KNN.
Kata Kunci: Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), Klasifikasi, Akurasi, Cross-Validation, Machine Learning

ABSTRACT
This study aims to compare the accuracy of two popular classification methods, namely Support Vector Machine (SVM) and K-Nearest Neighbor (KNN), in the context of certain data processing. The study involves analyzing the performance of the two algorithms on a pre-selected and processed dataset. Using the cross-validation method, we evaluated the accuracy, precision, recall, and F1-score of both models to determine a more effective method. The results showed that there was a significant difference in the performance of SVM and KNN, depending on the characteristics of the dataset used. An in-depth analysis and discussion of the advantages and disadvantages of each method are also presented to provide guidance in the selection of the most suitable algorithm for different types of classification problems. The results of the comparison prediction data test between the SVM algorithm and the KNN algorithm, where the SVM test results produced an accuracy value of 100%.
Keywords: Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), Classification, Accuracy, Cross-Validation, Machine Learning

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 24-50 YUL p - 0804TI

Penerbit

Makassar : Universitas DIPA., 2024

Deskripsi Fisik

xi + 34 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 24-50

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 11 September 2024

Subjek

Skripsi/Tugas Akhir
Machine Learning
K-Nearest Neighbor
Support Vector Machine

Lampiran File