Analisis Distribusi Kinerja SVM dan KNN Berdasarkan Rata Rata Simpangan Baku dan Stabilitas

Di bidang pembelajaran mesin, dua algoritma yang umum digunakan untuk tugas klasifikasi adalah Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN). Kedua algoritma tersebut dapat digunakan dalam berbagai aplikasi, namun memilih algoritma terbaik memerlukan analisis rinci mengenai kinerjanya dalam skenario yang berbeda. Tujuan artikel ini adalah membandingkan performa kedua algoritma menggunakan metrik statistik utama yaitu, Akurasi Rata-Rata, Deviasi Standar, dan Stabilitas Performa. Untuk mengevaluasi algoritma, teknik k-fold cross-validation digunakan pada kumpulan data klasifikasi tertentu. Hal ini memungkinkan Anda mengukur keakuratan model pada rentang data yang berbeda. Berdasarkan hasil penelitian, rata-rata akurasi SVM lebih tinggi dibandingkan dengan ANN, dengan nilai  SVM sebesar 0,980 dan nilai ANN sebesar 0,953. Selain itu, deviasi standar kinerja SVM yang lebih rendah (0,043 dibandingkan dengan 0,052 untuk KNN) menunjukkan bahwa kinerja SVM lebih stabil dan konsisten di seluruh konvolusi. Hal ini membuat SVM lebih andal ketika menangani data baru, terutama  dataset dengan pola yang kompleks dan  sulit dipisahkan. Temuan ini memberikan panduan penting dalam memilih algoritma klasifikasi berdasarkan kebutuhan spesifik aplikasi. SVM lebih disukai ketika stabilitas dan keandalan hasil diperlukan, sedangkan ANN mungkin lebih cocok untuk masalah sederhana dan kumpulan data kecil. Memahami distribusi performa algoritme ini dapat membantu pengguna  membuat keputusan yang lebih baik saat menerapkan pembelajaran mesin.