Penerapan Metode SVM pada Klasifikasi Kualitas Air

Sari

SVM adalah salah satu metode learning machine yang bekerja dengan prinsip Structural Risk Minimization (SRM) yang bertujuan untuk menemukan hyperplane terbaik yang memisahkan dua buah class pada input space. Dengan melihat konsep metode SVM yang bekerja dengan menemukan fungsi pemisah optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda. Maka, dari konsep tersebut timbul permasalahan sejauh mana penerapan metode SVM mampu menyelesaikan masalah klasifikasi. Dalam penelitian ini klasifikasi yang dilakukan adalah klasifikasi kualitas air yang akan dinilai berdasarkan WQI (Water Quality Index). WQI didasarkan pada ambang batas rekomendasi World Health Organization (WHO) dengan Sembilan parameter meliputi PH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic_Carbon, Trihalomathanes, dan Turbidity. Untuk itu, penelitian ini melakukan simulasi menggunakan metode SVM dengan pendekatan One-Versus-One (OVO) untuk mengevaluasi kemampuan metode tersebut dalam mengklasifikasi kualitas air. Hasil penelitian menunjukkan bahwa nilai performa SVM kernel linear dengan parameter optimum C = 1000 adalah 60%. Tingkat performa SVM kernel RBF dengan parameter optimum C = 1000 dan γ = 4 adalah 100%.  Tingkat performa SVM kernel polinomial dengan parameter optimum C = 1000 dan h = 5 adalah 98% dan Tingkat performa SVM kernel sigmoid dengan parameter optimum C = 1000 adalah 60%. Sehingga performa metode SVM terbaik untuk melakukan analisis klasifikasi data WQI pada Perumda Tirta Pase adalah kernel RBF dengan tingkat akurasi mencapai 100%.

Kata kunci— Support Vector Machine, Klasifikasi, Kualitas Air, Water Quality Index

Abstract

SVM is a machine learning method that works with the principle of Structural Risk Minimization (SRM) which aims to find the best hyperplane that separates two classes in the input space. By looking at the concept of the SVM method that works by finding the optimal separator function that can separate two data sets from two different classes. So, from this concept a problem arises to what extent the application of the SVM method is able to solve classification problems. In this study the classification used is the classification of water quality which will be assessed based on the WQI (Water Quality Index). WQI is based on the World Health Organization (WHO) recommendation threshold with nine parameters including PH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic_Carbon, Trihalomathanes, and Turbidity. For this reason, this study conducted a simulation using the SVM method with the One-Versus-One (OVO) approach to evaluate the ability of this method to classify water quality. The results showed that the performance value of the linear kernel SVM with the optimum parameter C = 1000 was 60%. The performance level of the RBF kernel SVM with optimum parameters C = 1000 and γ = 4 is 100%. The polynomial kernel SVM performance level with optimum parameters C = 1000 and h = 5 is 98% and the sigmoid kernel SVM performance level with optimum parameters C = 1000 is 60%. So that the best performance of the SVM method for analyzing WQI data classification at Perumda Tirta Pase is the RBF kernel with an accuracy rate of up to 100%.

Keywords— Support Vector Machine, Klasifikasi, Kualitas Air, Water Quality Index