Perbandingan SVM dan Perceptron dengan Optimasi Heuristik

Support Vector Machine (SVM) and Perceptron are methods used in machine learning to determine classification. Both methods have the same motivation, namely to get the dividing line (hyperplane). Hyperplane can be obtained by using the optimization method Gradient Descent (GD), Genetic Algorithm (GA), and Particle Swarm Optimization (PSO). This study compares machine learning methods (Support Vector Machine and Perceptron) to optimization methods (Gradient Descent, Genetic Algorithm, and Particle Swarm Optimization) to find hyperplane. The dataset used is Iris Flower obtained from the UCI Machine Learning Repository. The test parameter on the Perceptron is the learning rate, while the optimization algorithm (GA and PSO) is the number of individuals. The results showed that the most suitable optimization method for Perceptron and SVM is PSO, with an accuracy value of 93%. Support Vector Machine (SVM) dan Perceptron merupakan metode yang digunakan dalam machine learning untuk penentuan klasifikasi. Kedua metode tersebut memiliki motivasi yang sama, yaitu untuk mendapatkan garis pemisah (hyperplane). Hyperplane bisa didapatkan dengan metode optimasi Gradient Descent (GD), Genetic Algorithm (GA), dan Particle Swarm Optimization (PSO). Penelitian ini membandingkan metode machine learning (Support Vector Machine dan Perceptron) terhadap metode optimasi (Gradient Descent, Genetic Algorithm, dan Particle Swarm Optimization) untuk menemukan hyperplane. Dataset yang digunakan adalah Iris Flower yang diperoleh dari UCI Machine Learning Repository. Parameter pengujian pada Perceptron adalah learning rate, sedangkan pada algoritme optimasi (GA dan PSO) adalah jumlah individu. Hasil penelitian menunjukkan bahwa metode optimasi yang paling cocok untuk Perceptron dan SVM adalah PSO, dengan nilai akurasi 93%.