GSA to Obtain SVM Kernel Parameter for Thyroid Nodule Classification

Abstract

Support Vector Machine (SVM) is one of the most popular methods of classification problems due to its global optima solution. However, the selection of appropriate parameters and kernel values remains an obstacle in the process. The problem can be solved by adding the best value of parameter during optimization process in SVM. Gravitational Search Algorithm (GSA) will be used to optimize parameters of SVM. GSA is an optimization algorithm that is inspired by mass interaction and Newton's law of gravity. This research hybridizes the GSA and SVM to increase system accuracy. The proposed approach had been implemented to improve the classification performance of Thyroid Nodule. The data used in this research are ultrasonography image of Thyroid Nodule obtained from RSUP Dr. Sardjito, Yogyakarta. This research had been evaluated by comparing the default SVM parameters with the proposed method in term of accuracy. The experiment results showed that the use of GSA on SVM is capable to increase system accuracy. In the polynomial kernel the accuracy rose up from 58.5366 % to 89.4309 %, and 41.4634 % to 98.374 % in Polynomial kernel

Implementasi Algoritma Multiclass SVM Pada Opini Publik Berbahasa Indonesia Di Twitter

“…Support Vector Machine (SVM) merupakan salah satu metode yang sudah banyak diterapkan untuk berbagai jenis penelitian dibidang data dan text mining karena telah mampu menunjukkan perfoma yang lebih baik (Styawati and Mustofa, 2019). SVM bekerja dengan sistem pembelajaran yang menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur berdimensi tinggi, hanya saja pada metode klasifikasi SVM hanya dapat mengklasifikasikan data kedalam dua kelas (Pramudita and Musdholifah, 2020). Optimasi SVM terus dilakukan peningkatan sehingga SVM dapat mengklasifikasikan data menjadi lebih dari dua kelas yaitu dengan model pendekatan One Against One dan One Against Rest, kedua pendekatan tersebut dapat membantu proses klasifikasi multiclass pada penelitian ini yang memiliki lebih dari dua kelas klasifikasi.…”

Pattern Recognition using Multiclass Support Vector Machine Method with Local Binary Pattern as Feature Extraction

“…Support Vector Machine (SVM) was introduced by Vapnik in 1995 is a method widely used in classifying supervised learning (Ay et al, 2019;Komarudin et al, 2020;Wang and Zhao, 2020;Yin and Yin, 2016). SVM is formulated to solve nonlinear problems in high dimensions to obtain optimal solutions (Li et al, 2020;Liu et al, 2017;Pramudita and Musdholifah, 2020;Styawati and Mustofa, 2019;Tang et al, 2019). This method nds the best hyperplane by maximizing the margin between two classes of data (Komarudin et al, 2020) .…”

“…Pattern recognition and SVM classi cation methods have been widely used in previous studies. For example, Dias Aziz Pramudita and Aina Musdholifah added a parameter optimization process known as the Gravitational Search Algorithm (GSA) to improve the accuracy of the SVM method in the thyroid nodule classi cation process (Pramudita and Musdholifah, 2020) . L. Jerlin Rubini and Eswaran Perumal also used the Fruit Fly Optimization Algorithm (FFOA) to select the best features in medical data which were later processed using the multiclass SVM method for classi cation (Jerlin Rubini and Perumal, 2020) .…”

Multiclass SVM Algorithm for Sarcasm Text in Twitter

“…Metode SVM merupakan metode klasifikasi yang pada proses kerjanya menggunakan ruang hipotesis yang terdiri dari fungsi linear bersifat dua arah dalam sebuah ruang fitur yang berdimensi tinggi sehingga SVM pada umunya selalu digunakan untuk pengklasifikasian data yang hanya memiliki dua kelas saja [6]. SVM sering digunakan dalam berbagai masalah termasuk pengenalan pola, bioinformatika dan kategori teks dengan menguraikan hyperplane sebagai set input kedalam ruang fitur yang terdiri dari dua kelas tetapi kemudian dioptimasi kembali sehingga dapat digunakan kedalam bentuk lebih dari dua kelas [7]. Hasil optimasi SVM didapatkan 3 metode turunan SVM yang dapat digunakna untuk klasifikasi multi kelas yaitu SVM One Againts All, SVM One Againts One dan DAGSVM.…”