Menggunakan Metode Support Vector Machine

Jurnal Informatika: Jurnal Pengembangan IT

− The online helpdesk with ticketing system with the help of operators often experiences problems such as inappropriate delegation processes, the duration of the helpdesk waiting time to be delegated, even the helpdesk is missed to be handled. The ticket delegation checked manually by the operator has risks creating an error in delegating helpdesk tickets to inappropriate technicians. The helpdesk classification system is needed so that every incoming helpdesk ticket can be classified to the right technician according to the job description. The incoming Helpdesk is classified into 6 types of requests, namely multimedia, documentation, internet, server, hardware, software and miscellaneous. This helpdesk grouping is needed so that related technicians for each helpdesk can work and help the helpdesk according to their respective job descriptions. The Support Vector Machine method is used to classify text on the helpdesk. The use of Linear and Polynomial kernels produces an accuracy of 78%, the RBF or Gaussian kernel produces the highest accuracy of 81% while the Sigmoid kernel produces the smallest accuracy of 51%. The helpdesk classification results with the Support Vector Machine method can produce quite good accuracy. Abstrak  Helpdesk secara online dengan sistem ticketing dengan bantuan operator sering kali mengalami permasalahan seperti proses pendelegasian yang kurang tepat, lamanya waktu tunggu helpdesk didelegasikan, bahkan terlewatnya helpdesk untuk dapat ditangani. Proses delegasi tiket secara manual oleh operator beresiko menimbulkan terjadinya kesalahan pendelegasian tiket helpdesk kepada teknisi yang tidak sesuai. Sistem klasifikasi helpdesk dibutuhkan agar setiap tiket helpdesk yang masuk dapat diklasifikasikan dan didelegasikan ke teknisi yang tepat sesuai dengan job description. Helpdesk yang masuk diklasifikasi menjadi 6 macam permintaan bantuan yaitu multimedia, dokumentasi, internet, server, hardware, software. Pengelompokan helpdesk ini diperlukan agar teknisi terkait untuk masing-masing helpdesk dapat mengerjakan dan membantu helpdesk sesuai dengan job description masingmasing. Metode Support Vector Machine dipakai untuk melakukan klasifikasi teks pada helpdesk. Penggunaan kernel Linear dan Polynomial menghasilkan akurasi sebesar 78%, kernel RBF atau Gaussian menghasilkan akurasi paling tinggi yaitu sebesar 81% sedangkan kernel Sigmoid menghasilkan akurasi paling kecil yaitu 51%. Hasil klasifikasi helpdesk dengan metode Support Vector Machine dapat menghasilkan akurasi cukup baik.

2017

— Direct marketing is a typical strategy to increase business. The company uses direct marketing when targeting customer segments with their contact to fulfill a specific purpose. Direct marketing is one way that can be used to predict potential customers who open deposits at the bank. Direct marketing became a very important application in data mining today. Data mining is widely used in direct marketing to identify potential customers for new products, using the purchase history data, predictive models can be used to measure that customers will respond to a given promotion or offer. One method that is most widely used method of support vector machine. In this study will be used method of support vector machine for prediction of direct marketing. After testing the results obtained is a support vector machine produces an accuracy value of 88.71%, 89.47% and a precision value AUC value of 0.896 with a value of classification accuracy was very good (excellent clasification). Based on ...

Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI)

Abstrak - Berita adalah sebuah informasi mengenai peristiwa yang terjadi di suatu lokasi yang bisa disajikan dalam bentuk teks maupun visual. Berita bisa ditemukan di berbagai portal berita dan media cetak. Umumnya setiap berita dikelompokan berdasarkan kategori umum seperti ekonomi, politik, olahraga, dll. Permasalahan yang muncul adalah bagaimana cara untuk melakukan pengelompokan pada data berita yang biasanya berjumlah hingga ribuan karakter kedalam kategori yang lebih spesifik. Permasalah ini dapat diselesaikan dengan cara menerapkan text mining dengan memanfatakan algoritma klasifikasi untuk mendapatkan sebuah model fungsi yang merepresentasikan tiap kategori berita. Salah satu algoritma klasifikasi yang cukup tangguh untuk melakukan proses klasifikasi teks adalah Support Vector Machine. Penelitian ini menggunakan 510 data berita dengan batasan klasifikasi 3 kategori berita. Algoritma SVM mendapatkan hasil akurasi tertinggi di 88% untuk nilai parameter C =1, kernel Linear den...

Jurnal Ilmiah Fasilkom, 2016

Genre musik yang akan diklasifikasikan terdiri atas, rock, pop, dangdut dan jazz. Jumlah masing masing genre untuk data training sebanyak 20 data untuk musik rock, 20 data untuk musik pop, 20 data untuk musik jazz, dan 17 data untuk musik dangdut. Sedangkan untuk data testing sebanyak 10 data untuk musik rock, 8 data untuk musik pop, 10 data untuk musik jazz, dan 8 data untuk musik dangdut. Sehingga total keseluruhan musik digital yang akan digunakan sebanyak 113 musik digital. Dimana data yang diambil berupa data *.mp3 yang diubah ke dalam data *.wav. Metode klasifikasi yang digunakan yaitu Support Vector Machine (SVM). Dan fitur ciri yang digunakan yaitu short time energy, zero crossing rate, spectral centroid dan spectral flux. Hasil yang didapat dari data testing secara keseluruhan yang diklasifikasikan secara benar ada 21 data dari 36 data sehingga persentase keberhasilan sebesar 58.33%. Untuk klasifikasikan keberhasilan yang tertinggi tertinggi terletak pada klasifikasi musik dangdut sebesar 88% , dsiikuti oleh musik rock sebesar 80%, kemudian musik pop sebesar 65.2%. Untuk musik jazz keberhasilan klasifikasinya sangat kecil yaitu hanya sebesar 10%.

Seminar Teknologi dan Rekayasa (SENTRA), 2015

Twitter adalah salah satu sosial media yang berperan sebagai tempat bagi penggunanya untuk menulis tentang berbagai topik dan membahas isu-isu yang tejadi pada saat ini. Begitu juga public figure yang menggunakan twitter untuk membentuk citra mereka. Kemudian rakyat yang juga pengguna twitter akan merespon dengan melakukan posting pendapat mereka terhadap public figure yang mereka kagumi atau yang tidak mereka suka. Hal ini dapat dimanfaatkan sebagai sumber data untuk melihat sentimen atau opini masyarakat terhadap public figure dengan melakukan klasifikasi sentimen pada twitter. Dalam penelitian ini akan dilakukan klasifikasi sentimen tweet Bahasa Indonesia ke dalam kelas sentimen positif dan negatif dengan menggunakan kernel RBF dan polynomial pada metode support vector machine (SVM). Proses SVM dilakukan dengan menggunakan fungsi LibSVM pada Weka. Model pembelajaran SVM diperoleh dari data latih sebanyak 800 tweet dan selanjutnya digunakan untuk mengklasifikasi 200 data uji. Pengujian akurasi metode dalam klasifikasi sentimen tweet ini dilakukan dengan model confusion matrix pada data uji dan evaluasi data latih menggunakan 10-fold cross validation untuk mendapatkan model terbaik dengan mencari nilai pasangan C dan . Untuk fitur bigram diperoleh akurasi terbaik dengan nilai C=2 dan =0,8 sedangkan untuk fitur unigram nilai C=1 dan =0,01. Dari pengujian yang telah diakukan diketahui bahwa kernel RBF memiliki tingkat akurasi klasifikasi yang lebih baik dibandingkan kernel polynomial dengan akurasi tertinggi sebesar 72,5% pada fitur unigram dan 71,5% untuk fitur bigram, hal ini berarti klasifikasi fitur unigram menggunakan kernel RBF pada SVM memberikan tingkat akurasi yang terbaik

JURIKOM (Jurnal Riset Komputer)

The development of the creative industry in Indonesia is marked by the emergence of content creators such as YouTubers and celebrities. With the emergence of content creators, people in these professions must be more creative and come up with new things in accordance with community trends in accordance with applicable laws in Indonesia. Twitter is one of the social media that can be used to share online and provide information in accordance with the prevailing trends in society. Hashtags or hashtags on Twitter are often used by users to add comments so that when the hashtag is used a lot it will become a trending topic. By analyzing sentiment on trending topics, positive and negative tendencies will be obtained that can help the content creator profession to create content. This study uses the Support Vector Machine (SVM) method to conduct a sentiment analysis process about the twitter hashtag. The data used is hashtag data on twitter. The data that has been obtained is then carried...

Support Vector Machine (SVM) pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition. Sebagai salah satu metode pattern recognition, usia SVM terbilang masih relatif muda. Walaupun demikian, evaluasi kemampuannya dalam berbagai aplikasinya menempatkannya sebagai state of the art dalam pattern recognition, dan dewasa ini merupakan salah satu tema yang berkembang dengan pesat. SVM adalah metode learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada input space. Tulisan ini membahas teori dasar SVM dan aplikasinya dalam bioinformatika, khususnya pada analisa ekspresi gen yang diperoleh dari analisa microarray.

Komputa : Jurnal Ilmiah Komputer dan Informatika

Ekstraksi informasi dokumen karya tulis ilmiah proses ekstraksi karya ilmiah secara otomatis untuk mendapatkan informasi terstruktur. Penelitian bertujuan untuk mengukur performansi Support Vector Machine (SVM) dalam mengektrak informasi didalam karya ilmiah. Dokumen karya ilmiah yang digunakan dalam penelitian ini adalah berupa lembar sampul dan abstrak dari skripsi, yang tersimpan dalam bentuk format .pdf. Setiap dokumen diubah terlebih dahulu ke format text. Hasil mengubah format dokumen masuk ke dalam tahapan persiapan, yaitu filtering, segmentasi, tokenizing, pelabelan, ektraksi fitur, dan seleksi fitur. Fitur yang digunakan dalam penelitian ini ada sebanyak 14 fitur. Hasil dari seleksi fitur setiap dokumen masuk kedalam proses klasifikasi untuk menentukan mengklasifikasi 16 kelas dari setiap dokumen tersebut. Di dalam penelitian ini performansi dari model yang dibuat oleh SVM mengunakan akurasi. Berdasarkan pengujian yang telah dilakukan dengan nilai gamma=0.5, dihasilkan akur...

ILKOM Jurnal Ilmiah

Telah banyak peneliti-peneliti termotivasi dalam meningkatkan kinerja performa prediksi. Support Vector Machine (SVM) metode yang berlandaskan pada teori pembelajaran statistic dan memberi hasil yang menjanjikan akan lebih baik dibanding metode lain. SVM bekerja juga dengan baik terhadap data yang berdimensi tinggi dengan menggunakan teknik kernel. Penentuan variabel yang relevan sangat dibutuhkan untuk dapat memberikan kinerja performa lebih efektif lagi pada suatu model. Pada penelitian ini bermaksud untuk mengembangkan model prediksi dengan mengkombinasikan algoritma Support Vector Machine dengan Feature Selection, khususnya forward selection dalam memprediksi pembayaran pembelian bahan baku kopra. Model yang diusulkan dievaluasi menggunakan data time pembelian bahan baku kopra. Hasil eksperimen penelitian ini menunjukan dimana series pembayaran algoritma SVM dan Forward Selection memberikan kinerja performa yang terbaik dibandingkan SVM, SVM dan Backward Elimination serta BPNN d...

2015

Abstrak Tingginya tingkat keberhasilan mahasiswa dan rendahnya tingkat kegagalan mahasiswa dapat mencerminkan kualitas dari suatu perguruan tinggi. Salah satu indikator kegagalan mahasiswa adalah kasus drop out. Untuk mengatasi permasalah, dilakukan prediksi menggunakan metode support vector machine. Support Vector Machine berusaha mencari hyperplane yang optimal dimana dua kelas pola dapat dipisahkan dengan maksimal, parameter yang di gunakan pada Support Vector Machine hanya parameter kernel dalam satu parameter C yang memberikan pinalti pada titik data yang di klasifikasikan secara acak. Dalam Support Vector Machine bobot (w) dan bias (b) merupakan solusi global optium dari quadratic programming sehingga cukup dengan sekali running akan menghasilkan solusi yang akan selalu sama untuk pilihan kernel dan parameter yang sama. Melalui penerapan support vector machine diharapakan untuk mendapatkan parameter Support Vector Machine yang digunakan tepat untuk memperoleh margin terbaik da...