Perbandingan Metode LVQ Dan SVM Dalam Klasifikasi Produk Makanan Untuk Pengidap Penyakit Stroke Non-Hemoragik

Abstrak

One of the risks of non-hemorrhagic stroke is caused by excess body weight or obesity, so an effort to overcome this problem requires a system that can determine the classification of food products that are allowed for people with non-hemorrhagic stroke. This research was conducted using the LVQ and SVM methods by measuring the level of accuracy, precision, recall and error goal method in the classification of food products. Implementation of the LVQ classification model with a learning rate of 0.1 and epoch 100 parameters resulted in an accuracy value of 0.7797, a precision of 0.7568, a recall of 0.8750, and an error goal of 0.2203. While the SVM classification model with the hyperparameter model (default) produces an accuracy value of 0.9153, a precision of 0.9375, a recall of 0.9091, and an error goal of 0.0847. In the experimental stage, tests were carried out on the LVQ and SVM models, where LVQ produced optimal parameter pairs at a learning rate of 0.001 and epoch 10 with an accuracy value of 0.9068. Whereas SVM with a polynomial kernel model produces optimal parameters at a cost of 100 with an accuracy value of 0.9661. Based on the tests conducted, the SVM model is a better classification method than LVQ.

Abstrak 

Salah satu resiko terjadi stroke non-hemoragik disebabkan oleh berat badan berlebih atau obesitas, sehingga upaya mengatasi masalah tersebut diperlukan sebuah sistem yang dapat menentukan klasifikasi produk makanan yang diperbolehkan untuk pengidap penyakit stroke non-hemoragik. Penelitian ini dilakukan dengan menggunakan metode LVQ dan SVM dengan mengukur tingkat akurasi, precision, recall dan error goal metode dalam klasifikasi produk makanan. Implementasi model klasifikasi LVQ dengan parameter learning rate 0.1 dan epoch 100 menghasilkan nilai akurasi 0.7797, precision 0.7568, recall 0.8750, dan error goal 0.2203. Sedangkan model klasifikasi SVM dengan model hyperparameter (default) menghasilkan nilai akurasi 0.9153, precision 0.9375, recall 0.9091, dan error goal 0.0847. Pada tahap eksperimen dilakukan pengujian terhadap model LVQ dan SVM, dimana LVQ menghasilkan pasangan parameter yang optimal pada learning rate 0,001 dan epoch 10 dengan nilai akurasi 0.9068. Sedangkan SVM dengan model kernel polynomial menghasilkan parameter yang optimal pada cost 100 dengan nilai akurasi 0.9661. Berdasarkan pengujian yang dilakukan, model SVM merupakan metode klasifikasi yang lebih baik dari LVQ.