SMOOTH SUPPORT VECTOR MACHINE (SSVM) UNTUK PENGKLASIFIKASIAN INDEKS PEMBANGUNAN MANUSIA KABUPATEN/KOTA SE-INDONESIA

FAUZI, FATKHUROKHMAN, B2A016035 (2017) SMOOTH SUPPORT VECTOR MACHINE (SSVM) UNTUK PENGKLASIFIKASIAN INDEKS PEMBANGUNAN MANUSIA KABUPATEN/KOTA SE-INDONESIA. Sarjana / Sarjana Terapan (S1/D4) thesis, ["eprint_fieldopt_institution_Universitas Muhammadiyah Semarang" not defined].

Preview	Text abstrak.pdf Download (465kB) | Preview
Preview	Text BAB I.pdf Download (586kB) | Preview
Preview	Text BAB II.pdf Download (1MB) | Preview
	Text BAB III.pdf Restricted to Repository staff only Download (714kB) | Request a copy
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB) | Request a copy
Preview	Text BAB V.pdf Download (466kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (465kB) | Preview

Abstract

Indeks Pembangunan Manusia (IPM) adalah mengukur capaian pembangunan manusia berbasis sejumlah komponendasar kualitas hidup.Dalam menghitung indeks pembangunan manusia ditinjau dari 3 dimensi. Dimensi tersebut mencakup umur panjang dan sehat, pengetahuan, dan kehidupan yang layak. Indeks pembangunan manusia dikatakan rendah jika IPM kurang dari 60, IPM sedang antara 60 sampai kurang dari 70,IPM tinggi antara 70 sampai kurang dari 70, dan IPM sangat tinggi lebih dari samadengan 80. Smooth Support Vector Machine(SSVM) merupakan teknik pengklasifikasian yang tergolong baru. SSVM merupakan pengembangan dari teknik Support Vector Machine(SVM) dengan menembahkan fungsi smoothing didalamnya. Algoritma yang digunakan adalah Newton Armijo dengan pendekatan kernellinier, polynomial, dan Radial Basis Function(RBF). Dalam penelitian ini akan mengklasifikasikanIPM kabupaten/kota se-Indonesia dengan jumlah 519 kabupaten/kota. Dengan variabel respon adalah indeks pembangunan manusia dan variabel prediktornya adalah angka harapan hidup, rata-rata lama sekolah, harapan lama sekolah, dan pengeluaran perkaita yang disesuaikan. Hasil klasifikasi indeks pembangunan manusia dengan metode SSVM dengan kernel linier menunjukan keakuratan prediksi sebesar 84.77%, kernel polynomial 61.65%, dan kernel RBF sebesar 100%. Dengan jumlah klasifikasi 440 kabupaten/kota untuk kernel linier,kernel polynomial 320, dan kernel RBF 519 kabupaten/kota yang dibagi menjadi 4 klasifikasi menurut BPS. Dari ketiga kernel yang digunakan kernel RBF merupakan kernel yang paling akurat dalam memperdiksi IPM. Untuk menguji fleksibilitas keakuratan metode SSVM terhadap keakuratan klasifikasi data dibutuhkan data yang lebih banyak lagi dan jenis pendekatan kernel lebih banyak lagi. Kata Kunci: Indeks Pembangunan Manusia, Smooth Support Vector Machine(SSVM), kernel, akurasi, klasifikasi.

Actions (login required)

View Item