• Bagikan:
• 
• 
• 
• 
• 
• 
• 

Text  

Perbandingan Kernel Trick Pada Non-Linier Support Vector Machine (Studi Kasus : Pemilihan Penolong Persalinan di Provinsi Maluku Utara 2016)

---

• Ketersediaan
• Informasi Detil
• Deskripsi
• Versi lain/terkait
• Komentar

• Code	CallNo	Lokasi	Ketersediaan
  010030008118	519.5 Muh p/R.14.57.3	Perpustakaan Pusat (REF.14.57.3)	Tersedia

• Perpustakaan	Perpustakaan Pusat
  Judul Seri	-
  No. Panggil	519.5 Muh p/R.14.57.3
  Penerbit	Magister Statistika Terapan : Bandung., 2018
  Deskripsi Fisik	xii,; 57 hlm,;29 cm
  Bahasa	Indonesia
  ISBN/ISSN	-
  Klasifikasi	519.5
  Tipe Isi	-
  Tipe Media	-
  Tipe Pembawa	-
  Edisi	-
  Subyek	Support Vector Machine 2. Kernel Trick 3. Peno
  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.