JURNAL RESPONSIF, Vol. 5 No.1 Februari 2023, pp.

120~126
E-ISSN: 2685-6964 120

OPTIMASI SUPPORT VECTOR MACHINE

MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
UNTUK KLASIFIKASI MULTICLASS DATASET

Rissa Nurfitriana Handayani1, Djajasukma Tjahjadi2

1
Universitas Adhirajasa Reswara Sanjaya
e-mail: rissa@[Link]
2
STMIK Likmi
e-mail: djaja@[Link]

Abstrak
Data mining merupakan proses pengembangan model yang bertujuan untuk memahami pola dari
hasil analisis data dan prediksi. Kumpulan data atau yang biasa disebut dataset terdiri dari atribut,
data dan kelas. Salah satu permasalahan yang terdapat pada dataset yaitu multiclass dataset.
Multiclass merupakan dataset yang memiliki kelas klasifikasi polynominal. Algoritma Support
Vector Machine (SVM) banyak digunakan oleh peneliti untuk metode klasifikasi. SVM dipilih
karena mampu menentukan hyperplane terpisah untuk memaksimalkan margin antara 2 kelas
yang berbeda. Namum, SVM terdapat kekurangan pada saat dilakukan pemilihan parameter,
untuk itu diterapkan Particle Swarm Optimization (PSO) untuk meningkatkan hasil akurasi. PSO
digunakan untuk optimasi bobot sedangkan SVM digunakan untuk klasifikasi. Dataset yang
digunakan merupakan dataset dari UCI Machine Learning Repository. Penerapan SVM
menghasilkan nilai akurasi sebesar 78.30% pada breast tissue dataset, 85.81% pada vertebral
column dataset, 50.50% pada obesity levels dataset, 92.58% pada hepatitis C virus (HCV)
dataset, dan sebesar 52.63% pada exasens dataset. Kemudian setelah dilakukan penerapan
optimasi PSO terhadap algoritma SVM diperoleh hasil 83.96% pada breast tissue dataset,
87.42% pada vertebral column dataset, 59.64% pada obesity levels dataset, 96.59% pada
hepatitis C virus (HCV) dataset, dan sebesar 56.40% pada exasens dataset. Setelah diterapkan
PSO terhadap SVM diperoleh peningkatan akurasi sebesar 1% - 9%. Hasil percobaan
menghasilkan bahwa metode yang digunakan mampu menghasilkan kinerja yang baik,
dibandingkan dengan hasil klasifikasi lain dengan peningkatan yang signifikan dengan nilai p uji-
t 0.019.

Kata Kunci: Dataset Medis, Klasifikasi, Multiclass Dataset, Particle Swarm Optimization, Support
Vector Machine

Abstract
Data mining is a model development process aimed at understanding the patterns of data analysis
and predictions. Collections of data or otherwise known as datassets consist of attributes, data
and class. One of the many problems with datassets is multiclass datassets. Multiclass is a
datasset who has polypar classification classes. The algorithm support vector machine (SVM) is
used extensively by researchers for classification methods. SVM was selected because it was
able to specify a separate hyperplane to maximize the margin between two different classes.
Namum, SVM there is a shortage at the time of perimeter selection, for it applied particle swarm
optimization (pso) to increase accuracy. Pso is used for weightlessness optimization, whereas
SVM is used for classification. The datasset used is a datasset of the uci machine learning
revalued. SVM application results in a 78 percent accuracy rate, 8.81% in natural asset planets,
50.50% in the obesity of datasset column, 92.58% in datasset hepatitis c (HCV), datasset, and
by 52.63% in the datasset exasens.63%. Then, after a pso optional application of SVM algorithm
results in 83.96% on the breast tissue datasset, 87.42% on mandate of datasset column, 59.59%
on datasset hepatitis c (HCV), and by 56.40% on the datasset exasens. After pso applied to SVM
obtained a 1% - 9% increase in accuracy. The results of the experiment produced that the
methods used were able to produce good performance, compared with other classifications with
significant increases by a p uji-t 0019 value.

Naskah diterima 20 Februari 2023; direvisi 28 Februari 2023; diterbitkan 28 Februari 2023
 121

Keywords: Medical Dataset, Classification, Multiclass Dataset, Particle Swarm Optimization,

Support Vector Machine

1. Pendahuluan diterapkan adalah Support Vector Machine,

Data mining merupakan representasi Naïve Bayes, dan k-Nearest Neighbor.(Azis
proses ekstraksi informasi yang berguna, et al., 2017; Maurya et al., 2014). Pada
tidak diketahui sebelumnya dan tersembunyi penelitian ini, digunakan algoritma Support
dari data (Jamsa, 2021), dan Vector Machine karena dapat memberikan
mengembangkan model yang bertujuan hasil klasifikasi yang baik (Liu et al., 2018),
untuk memahami fenomena dari hasil hal ini disebabkan karena SVM dapat
analisis data dan prediksi (Kantardzic, 2020). menentukan hyperplane atau bidang
Data mining merupakan proses ekstraksi pemisah dengan memilih bidang dengan
pengetahuan dari jumlah data yang besar optimal margin maka generalisasi pada SVM
yang tersimpan dalam komputer, proses dapat terjaga dengan sendirinya, tingkat
pada data mining lebih banyak didasarkan generalisasi pada SVM tidak dipengaruhi
pada teknologi informasi (Prasetio & Ripandi, oleh jumlah data latih, dengan menentukan
2019). parameter soft margin, noise dapat dikontrol
Kumpulan ekstraksi pengetahuan sehingga makin besar parameter soft margin,
yang digunakan untuk menganalisis data makin besar pula pinalti yang dikenakan
mining biasa disebut Dataset. Dataset terdiri pada kesalahan pada klasifikasi sehingga
dari kumpulan objek dan sifat atau proses pelatihan semakin ketat (Nugroho,
karakteristik dari suatu objek itu sendiri atau 2020).
biasa disebut atribut (Listiana & Muslim, Support Vector Machine (SVM)
2017). Kumpulan data atau yang biasa merupakan metode supervised learning
disebut dataset terdiri dari atribut, data dan untuk menganalisis data dan membuat poa
kelas. Salah satu permasalahan yang yang dapat digunakan untuk
terdapat pada dataset yaitu multi class klasifikasi(Jayadeva et al., 2017). Metode
(Kantardzic, 2020). SVM mampu menentukan hyperplane
Dataset dengan karakteristik terpisah sehingga dapat memaksimalkan
multiclass merupakan dataset yang memiliki margin antara dua kelas yang berbeda (Murty
kelas klasifikasi lebih dari 2 atau biasa & Raghava, 2016). Akan tetapi, (Basari et al.,
disebut polynominal (Sucipto et al., 2016). 2013) menyatakan bahwasannya SVM
Breast tissue dataset (Marques & Jossinet, memiliki kekurangan dalam pemilihan
2010) merupakan contoh dari multi class parameter. Untuk meningkatkan hasil
dataset hal ini ditunjukan dengan terdapat 6 akurasi, pada penelitian ini diterapkan
kelas yaitu: carciroma, fibro-adenoma, metode optimasi Particle Swarm
mastopathy, glandular, connective dan Optimization (PSO).
adipose. Vertebral column dataset (Barreto et Particle Swarm Optimization (PSO)
al., 2011), juga merupakan multiclass merupakan algoritma searching, berbasis
dataset, karena memiliki 3 kelas yaitu: hernia, populasi dan dapat diinisiasi dengan partikel
spondylolisthesis, dan normal. Estimation of (Couceiro & Ghamisi, 2016). Ketika
Obesity Levels based on Eating Habits and diterapkan PSO terdapat beberapa metode
Physical Condition Data Set (Palechor & untuk melakukan optimasi diantaranya
Manotas, 2019) merupakan bagian dari meningkatkan bobot atribut (attribute weight)
multiclass dataset karena memiliki 7 kelas, terhadap semua atribut atau variabel yang
terdiri dari: insufficient weight, normal weight, dipakai, menseleksi atribut (atribut selection),
over weight level 1, over weight level 2, optimasi bobot (feature weighting) dan
obesity type 1, obesity type 2, dan obesity feature selection (Basari et al., 2013).
type 3. Hepatitis C Virus (HCV) dataset Penerapan PSO merupakan penentu
(Lichtinghagen et al., 2020) memiliki 5 kelas parameter yang akan mempengaruhi nilai
yaitu: 0 - blood donor, 0s - suspect blood accuracy pada klasifikasi (Indrayuni, 2016).
donor, 1 - hepatitis, 2 - fibrosis, 3 - chirrosis. Selain itu penelitian terdahulu yang
Dan kemudian pada exasens dataset (Zarrin dilakukan oleh (Prasetio, 2020) melakukan
& Roeckendorf, 2020) memiliki 3 kelas yaitu: penelitian klasifikasi terhadap 5 (lima)
non-smoker, ex-smoker, dan active smoker. dataset sebagai tolak ukur, namun
Teknik klasifikasi pada dataset menggunakan algoritma k-Nearest Neighbor
dengan karakteristik multi-class yang dapat dengan optimasi algoritma genetika. Dengan

[Link]
 122

demikian, penulis terdorong untuk melakukan a. Breast Tissue Dataset

penelitian serupa menerapkan klasifikasi Breast tissue dataset merupakan
terhadap 5 dataset medis dengan algoritma dataset jaringan payudara dipublikasikan
support vector machine (SVM) dengan pada tahun 2010. Dataset ini terdiri dari
metode optimasi particle swarm optimization 106 data, terdiri dari 9 (sembilan) atribut
(PSO). yang merupakan karakteristik dari breast
tissue dataset, yaitu: I0 (impedivity (ohm)
2. Metode Penelitian at zero frequency), PA500 (phase angle
Berdasarkan penjelasan yang at 500 KHz), HFS (high-frequency slope
dipaparkan pada pendahuluan, penelitian ini of phase angle), DA (jarak impedansi
menggunakan metode penelitian antara ujung spektral), AREA (area
eksperimen, dengan dataset yang digunakan under spectrum), A/DA (area normalized
adalah dataset yang bersifat publik yang by DA), MAX IP (maximum of the
dapat diakses melalui UCI Repository spectrum), DR (jarak antara I0 dan titik
([Link] maksimum frekuensi), P (panjang
digunakan 5 dataset medis yang memiliki spectral curve), dan satu label breast
sifat multiclass dataset. Berikut merupakan tissue dengan 6 label (Marques &
tahapan penelitian yang akan Jossinet, 2010).
diimplementasikan digambarkan melalui Dari 106 data yang terdapat pada
Gambar 1. breast tissue dataset, terdiri dari 21 data
dengan label Car (Carcinoma), 15 data
dengan label Fad (Fibro-adenoma), 18
data dengan label Mas (Mastopathy), 16
data dengan label Gla (Glandular), 14
data dengan label Con (Connective), dan
22 data dengan label Adi (Adipose).

b. Vertebral Column Dataset

Vertebral column dataset merupakan
dataset mengenai Orthopaedics yang
dipublikasikan pada tahun 2011. Dataset
ini terdiri dari 310 data pasien, terdiri dari
6 (enam) atribut yang merupakan
karakteristik dari vertebral column
dataset, yaitu: pelvic incidence, pelvic tilt,
lumbar lordosis angle, sacral slope,
pelvic radius, degree spondylolisthesis,
dan satu label vertebral column dengan 3
label(Barreto et al., 2011).
Dari 310 data pasien yang terdapat
pada vertebral column dataset, terdiri
dari 60 data pasien dengan label Hernia,
150 data pasien dengan label
Spondylolisthesis, dan 100 data pasien
dengan label Normal.

Gambar 1. Metode Penelitian c. Obesity Levels

Adapun beberapa tahapan dalam Estimation of obesity levels based on
penelitian ini yaitu sebagai berikut: eating habits and physical condition
dataset merupakan dataset mengenai
1. Pengumpulan data tingkat obesitas berdasarkan pada
Pada tahap ini dilakukan pengumpulan kebiasaan makan dan kondisi fisik yang
dataset yang akan diujicoba, terdapat 5 dipublikasikan pada tahun 2019. Dataset
(lima) dataset medis dengan karakteristik ini terdiri dari 2.111 data, terdiri dari 16
multiclass. Berikut merupakan dataset (enam belas) atribut yang merupakan
yang digunakan: karakteristik dari obesity dataset, yaitu:
Gender, Age, Height, Weight, Family
History with Overweight, FAVC, FCVC,

[Link]
 123

NCP, CAEC, Smoke, CH20, SCC, FAF, 2. Pengolahan data awal

TUE, CALC, Mtrans dan satu label Pada penelitian ini penulis menggunakan
obesity dataset dengan 7 kelas (Palechor medical dataset yang terdiri dari 5
& Manotas, 2019). dataset yang digunakan sebagai
Dari 2.111 data pasien yang terdapat benchmark. Untuk pengembangan dan
pada obesity dataset, terdiri dari 272 data pengujian model yang digunakan, data
pasien dengan label Insufficient Weight, akan dibagi menjadi data training dan
287 data pasien dengan label Normal data testing menggunakan Cross
Weight, 351 data pasien dengan label Validation. Data training digunakan untuk
Obesity Type I, 297 data pasien dengan pengembangan model dan data testing
label Obesity Type II, 324 data pasien untuk pengujian model. Dataset yang
dengan label Obesity Type III, 290 data sudah dibagi menjadi data training dan
pasien dengan label Overweight Level I, data testing dapat langsung diolah
dan 290 data pasien dengan label dengan menggunakan model yang
Overweight Level II. sudah ditentukan akan menghasilkan
nilai yang dapat menjadi indikator
d. Hepatitis C Virus (HCV) seberapa baik model yang digunakan
Hepatitis C Virus (HCV) dataset implementasi.
merupakan dataset mengenai hepatitis C
yang dipublikasikan pada tahun 2020. 3. Eksperimen dan pengujian model
Dataset ini terdiri dari 615 data pasien, Pada tahap ini eksperimen dan
terdiri dari 12 (dua belas) atribut yang pengujian model dilakukan dengan
merupakan karakteristik dari HCV tahapan sebagai berikut:
dataset, yaitu: Age, Sex, ALB, ALP, ALT, a. Menyiapkan dataset untuk
AST, BIL, CHE, CHOL, CREA, GGT, kebutuhan eksperimen.
PROT, dan satu label diagnosis dengan b. Membagi dataset menjadi data
5 label (Lichtinghagen et al., 2020). training dan data testing.
Dari 615 data pasien yang terdapat c. Melakukan pembobotan fitur atau
pada HCV dataset, terdiri dari 533 data atribut menggunakan particle swarm
dengan label 0 = Blood Donor, 7 data optimization.
pasien dengan label 0s = Suspect Blood d. Melakukan training terhadap dataset
Donor, 24 data pasien dengan label 1 = menggunakan model support vector
Hepatitis, 21 data pasien dengan label 2 machine dengan optimasi particle
= Fibrosis, 30 data pasien dengan label 3 swarm optimization untuk
= Cirrhosis. pengembangan model.
e. Melakukan testing terhadap dataset
e. Exasens Dataset menggunakan model support vector
Exasens dataset merupakan data machine dengan optimasi particle
sampel air liur dari pengidap asthma, swarm optimization untuk pengujian
COPD, infeksi, dan HC, yang model.
dipublikasikan pada tahun 2020. Dataset
ini terdiri dari 399 data pasien, terdiri dari 4. Evaluasi dan validasi model
8 (delapan) atribut yang merupakan Pada tahap ini dilakukan evaluasi
karakteristik dari exasens dataset, yaitu: terhadap eksperimen dan pengujian
ID, Imaginary Part (min Average), pada model yang diusulkan sehingga
Imaginary Part (max Average), Real Part dapat diketahui hasil kinerja model yang
(min. Average), Real Part (max. digunakan dalam penelitian ini.
Average), Gender, Age, Smoking dan
satu label diagnosis dengan 4 label 3. Hasil dan Pembahasan
(Zarrin & Roeckendorf, 2020). Perbandingan hasil akurasi pada
Dari 399 data pasien yang terdapat penerapan Support Vector Machine sebelum
pada HCV dataset, terdiri dari 80 data dan sesudah optimasi untuk mengevaluasi
pasien dengan label Asthma, 79 data hasil keseluruhan dari penelitian ini.
pasien dengan label COPD, 160 data Penelitian ini menggunakan data yang sama
pasien dengan label HC, dan 80 data yaitu, 5 medical dataset sebagai
pasien dengan label Infected. benchmarked. Perbandingan hasil penelitian
ini dapat dilihat pada tabel 1.

[Link]
 124

Tabel 1. Perbandingan Hasil Penelitian SVM + SVM + SVM +

Datasets SVM Metode Particle Forwar Backwar
Nama
yang Swarm d d
Dataset
Optimizati Selecti Eliminati
diusulkan
on on on
Breast Tissue 78.30% 83.96%
Virus
Dataset
(HCV)
Vertebral 85.81% 87.42% Data
Column
Set
Dataset
Exasen
Obesity 50.50% 59.64% 56.65
s Data 56.40% 55.64%
Levels %
Set
Dataset
Berdasarkan hasil percobaan yang
Hepatitis C 92.85% 96.59%
digambarkan melalui Tabel 2 menyatakan
Virus (HCV)
bahwa metode yang diusulkan yaitu optimasi
Dataset
bobot pada Support Vector Machine
Exasens 52.63% 56.39% menggunakan Particle Swarm Optimization
Dataset terhadap lima dataset medis yang digunakan,
Hasil eksperimen yang dituangkan memiliki hasil akurasi yang lebih unggul
pada Tabel 1 menyatakan bahwa metode dibandingkan dengan metode optimasi lain
yang diusulkan dapat meningkatkan akurasi seperti Forward Selection dan Backward
dari kelima dataset benchmark dengan Elimination. Hasil dari penerapan forward
peningkatan sebesar 1% - 9% dibandingkan selection dan backward elimination
dengan algoritma Support Vector Machine mengalami penurunan sebesar 0.035% -
tanpa optimasi. Peningkatan kinerja tertinggi 2.45% namun pada penerapan optimasi
diperoleh oleh klasifikasi dataset obesity tersebut juga mengalami peningkatan
levels dengan peningkatan 9.14% dengan akurasi sebesar 0.007% - 7.15%
hasil setelah dioptimasi 59.64%. Sedangkan dibandingkan dengan penerapan Particle
peningkatan kinerja terendah diperoleh dari Swarm Optimization, dan hasil terendah
klasifikasi dataset vertebral column sebesar diperoleh dengan penerapan forward
1.61% meningkat menjadi 87.42%. selection.
Peningkatan performansi pada dataset Berdasarkan hasil percobaan pada
breast tissue sebesar 6,18% menjadi penelitian ini, untuk mengetahui apakah
84.36%. Dataset hepatitis C virus (HCV) metode optimasi yang diusulkan dapat
meningkat sebesar 3,74% menjadi 96.59%, meningkatkan kinerja dalam klasifikasi
dan dataset exasens meningkat sebesar dataset medis secara signifikan. Pengujian
3.75% menjadi 56.40%. menggunakan uji signifikansi dilakukan, t-
Test Paired Two Sample for Means
Tabel 2. Hasil Eksperimen dari Optimasi digunakan dalam hasil antara sebelum dan
Bobot sesudah menggunakan metode optimasi
SVM + SVM + SVM +
yang diusulkan.
Particle Forwar Backwar
Nama
Swarm d d Hasil pengujian uji-t menunjukan
Dataset bahwa metode yang diusulkan dapat
Optimizati Selecti Eliminati
on on on meningkatkan kinerja support vector machine
Breast dalam hal akurasi secara signifikan pada
Tissue 74.64 semua dataset yang ditandai dengan p uji-t
84.36% 75.73% <0.05. Hasil Uji-t dapat dilihat pada Tabel 3.
Data %
Set
Vertebr Tabel 3. Hasil Pengujian t-Test
al SVM +
87.10 PSO SVM
Colum 87.42% 86.77%
% Mean 0.71998 0.76882
n Data
Set 0.0375075 0.0318043
Obesity Variance 9 5
61.39 Observations 5 5
Levels 59.64% 57.65%
% Pearson 0.9914206
Datase
Hepatiti 93.50 Correlation 8
96.59% 93.66%
sC %

[Link]
 125

SVM + performansi, hal ini dibuktikan dengan nilai p

PSO SVM dari t-Test sebesar 0.019.
Hypothesize Berdasarkan pada seluruh tahapan
d Mean penelitian dan kesimpulan yang telah
Difference 0 dilakukan, maka terdapat beberapa usulan
df 4 pada penelitian berikutnya dapat diterapkan
t Stat -3.7960442 metode yang sama namun pada dataset
P(T<=t) one- 0.0095844 yang berbeda. Kemudian, dapat diterapkan
tail 1 pula metode optimasi lain seperti Genetic
t Critical one- 2.1318467 Algorithm
tail 9
P(T<=t) two- 0.0191688 Referensi
tail 1 Azis, A. I. S., Suhartono, V., & Himawan, H.
t Critical two- 2.7764451 (2017). Model Multi-Class SVM
tail 1 Menggunakan Strategi 1V1 Untuk
Klasifikasi Wall-Following Robot
Tabel 4. Hasil Pengujian t-Test SVM dengan Navigation Data. 13, 18.
Optimasi Lain Barreto, G. de A., Neto, A. R. da R., & Filho,
H. A. F. da M. (2011). Vertebral
Algoritma p Value Hasil
of t-Test Column Data Set. UCI Machine
Learning Repository.
Particle Swarm Sig.
0.019 [Link]
Optimization (p<0.05)
/vertebral+column
Not Sig. (p
Forward 0.328 Basari, A. S. H., Hussin, B., Ananta, I. G. P.,
> 0.05)
& Zeniarja, J. (2013). Opinion mining
Not Sig. (p
Backward 0.296 of movie review using hybrid method
> 0.05)
of support vector machine and
Hasil pengujian uji-t menunjukan particle swarm optimization.
bahwa pemilihan optimasi Particle Swarm Procedia Engineering, 53, 453–462.
Optimization dapat meningkatkan Couceiro, M., & Ghamisi, P. (2016).
performansi Support Vector Machine dalah Fractional Order Darwinian Particle
hal akurasi secara signifikan pada semua Swarm Optimization: Applications
dataset, hal ini ditandai nilai p dari t-Test and Evaluation of an Evolutionary
sebesar 0.019 yang artinya jika nilai p pada t- Algorithm. Springer International
Test <0.05 memiliki arti signifikan. Dari hasil Publishing.
penelitian ini dapat disimpulkan bahwa [Link]
Support Vector Machine dapat dioptimasi 19635-0
menggunakan Particle Swarm Optimization Indrayuni, E. (2016). Analisa Sentimen
pada lima dataset medis yang dijadikan tolok Review Hotel Menggunakan
ukur. Algoritma Support Vector Machine
Berbasis Particle Swarm
4. Kesimpulan Optimization. EVOLUSI: Jurnal
Berdasarkan pada seluruh tahapan Sains Dan Manajemen, 4(2).
yang sudah dilakukan dalam penelitian Jamsa, K. (2021). Introduction to Data Mining
penanganan 5 dataset medis menggunakan and Analytics. Jones & Bartlett
metode Support Vector Machine berbasis Learning LLC.
Particle Swarm Optimization ini, dapat di Jayadeva, Khemchandani, R., & Chandra, S.
simpulkan hasil akurasi menggunakan (2017). Twin Support Vector
Support Vector Machine diterapkan pada 5 Machines (Vol. 659). Springer
dataset yang dijadikan benchmarked International Publishing.
menghasil kan akurasi yang kurang baik. [Link]
Akan tetapi, setelah dilakukan hasil testing 46186-1
menggunakan Support Vector Machine dan Kantardzic, M. (2020). Data Mining Concept,
Particle Swarm Optimization menghasilkan Model, Method, and Algorithm (3rd
peningkatan akurasi yang baik sebesar 1% - ed.). Wiley-IEEE Press.
9%. Penerapan Particle Swarm Optimization Lichtinghagen, R., Klawonn, H., & Hoffmann,
terhadap Support Vector Machine dinilai G. (2020). HCV Data. UCI Machine
secara signifikan dapat meningkatkan Learning Repository.

[Link]
 126

[Link] Prasetio, R. T., & Ripandi, E. (2019).

s/HCV+data Optimasi Klasifikasi Jenis Hutan
Listiana, E., & Muslim, M. A. (2017). Menggunakan Deep Learning
PENERAPAN ADABOOST UNTUK Berbasis Optimize Selection. Jurnal
KLASIFIKASI SUPPORT VECTOR Informatika, 6(1), 100–106.
MACHINE GUNA MENINGKATKAN [Link]
AKURASI PADA DIAGNOSA Sucipto, Kusrini, & Taufiq, E. L. (2016).
CHRONIC KIDNEY DISEASE. Classification Method of Multi-class
Liu, Y., Wen, K., Gao, Q., Gao, X., & Nie, F. on C4.5 Algorithm for Fish Diseases.
(2018). SVM based multi-label 5.
learning with missing labels for Zarrin, P. S., & Roeckendorf, N. (2020).
image annotation. 78, 307–317. Exasens Data Set. UCI Machine
[Link] Learning Repository.
.01.022 [Link]
Marques, J., & Jossinet, J. (2010). Breast /breast+tissue#
Tissue Data Set. UCI Machine
Learning Repository.
[Link]
/breast+tissue#
Maurya, R., Singh, S. K., Maurya, A. K., &
Kumar, A. (2014). GLCM and Multi
Class Support Vector Machine based
Automated Skin Cancer
Classificaion. 2014 International
Conference on Computing for
Sustainable Global Development
(INDIACom).
[Link]
14.6828177
Murty, M. N., & Raghava, R. (2016). Support
Vector Machines and Perceptrons:
Learning, Optimization,
Classification, and Application to
Social Networks. Springer
International Publishing.
[Link]
41063-0
Nugroho, I. (2020). Perbandungan Prediksi
Fasies Melalui Beberapa Machine
Learning. Pertamina University.
Palechor, F. M., & Manotas, A. de la H.
(2019). Estimation of Obesity Levels
based on Eating Habits and Physical
Condition Data Set. UCI Machine
Learning Repository.
[Link]
/Estimation+of+obesity+levels+base
d+on+eating+habits+and+physical+
condition+
Prasetio, R. T. (2020). Genetic Algorithm to
Optimize k-Nearest Neighbor
Parameter for Benchmarked Medical
Datasets Classification. Jurnal
Online Informatika, 5(2), 153.
[Link]
6

[Link]