Text
Perbandingan Kernel Trick Pada Non-Linier Support Vector Machine (Studi Kasus : Pemilihan Penolong Persalinan di Provinsi Maluku Utara 2016)
Angka Kematian Ibu dan Angka Kematian Bayi merupakan indikator
penting dalam menentukan tingkat kesehatan penduduk serta menjadi indikator ...
-
Code CallNo Lokasi Ketersediaan 010030008118 519.5 Muh p/R.14.57.3 Perpustakaan Pusat (REF.14.57.3) Tersedia -
Perpustakaan Judul Seri -No. Panggil 519.5 Muh p/R.14.57.3Penerbit Magister Statistika Terapan : Bandung., 2018 Deskripsi Fisik xii,; 57 hlm,;29 cmBahasa IndonesiaISBN/ISSN -Klasifikasi 519.5Tipe Isi -Tipe Media -Tipe Pembawa -Edisi -Subyek Info Detil Spesifik -Pernyataan Tanggungjawab MUHAMAD BUDIAMAN JOHRA -
Angka Kematian Ibu dan Angka Kematian Bayi merupakan indikator
penting dalam menentukan tingkat kesehatan penduduk serta menjadi indikator
pembangunan pada sektor kesehatan. Angka ini sangat sensitifterhadap perubahan
tingkat kesehatan dan kesejahteraan. Pada tahun 2011, Kementrian Kesehataan
Republik Indonesia telah menetapkan kebijakan bahwa seluruh persalinan hams
dilakukan oleh tenaga kesehatan terlatih. Persentase pertolongan persalinan oleh
tenaga kesehatan di Indonesia menunjukkan kecendnmgan peningkatan dari tahun
2005 sampai tahun 2013, namun demikian terdapat penurunan pertolongan
persalinan oleh tenaga medis dari 90,88 % pada tahun 2013 menjadi 88,55 % pada
tahun 2015. Provinsi Mal uku Utara merupakan salah satu provinsi dengan cakupan
penolong persalinan yang rendah. Berdasarkan hasil Survei Sosial Ekonomi
Nasional (SUSENAS) 2016 jumlah ibu yang memilih penolong persalinan medis
sebesar 67,80 persen dimana angka inijauh berada dibawah angka nasional. Profil
ibu menjadi penting untuk diteliti dalam keputusannya dalam memilih penolong
persalinannya.Pada penelitian ini, kami menggunakan metode Support Vector
Machine (SVM). SVM memiliki keunggulan dibanding metode klasifikasi lainnya
karena memiliki kemampuan generalisasi yang tinggi. Generalisasi dapat diartikan
sebagai kemampuan suatu met ode untuk mengklasifikan suatu pola yang tidak
termasuk data yang dipakai dalam fase pembelajaran. Pada mulanya teknik SVM
dikembangkan dengan asumsi kelinieran, sehingga algoritma yang dihasilkan
terbatas pada kasus linier, walaupun secara umum pada riil data sangat sulit
menemukan data yang dapat dipisahkan secara linier. Untuk mengatasi
permasalahan ketidaklinieran maka perlu memasukkan fungsi kernel trick. Pada
penelitian ini kami menguji beberapa jenis kernel untuk mendapatkan kalasifikasi
yang optimum. Kernel optimum yang terpilih adalah kernel Radial Basis Function
dengan nilai error klasifikasi 4,49 persen
-
Tidak tersedia versi lain
-
Silakan login dahulu untuk melihat atau memberi komentar.