<![CDATA[Klasifikasi merupakan salah satu topik yang paling banyak diteliti oleh para peneliti dari bidang machine learning dan data mining. Metode machine learning yang sering digunakan antara lain Support Vector Machine (SVM), Random Forest (RF) dan Neural Network (NN). Namun, SVM tidak selalu memberikan nilai akurasi yang baik. Sebagai contoh, ketika diterapkan pada data yang sangat tidak seimbang, SVM akan mengalami tantangan. Selain itu, tidak terdapat satu metode terbaik yang bisa diterapkan untuk semua masalah klasifikasi. Saat ini, pendekatan metode hybrid untuk penggunaan data mining menjadi semakin populer seperti metode hybrid SVM-RF, SVM-NN dan KMeans-SVM. Pada penelitian ini, metode hybrid SVM-RF dan SVM-NN digunakan untuk mengklasifikasikan faktor risiko anemia pada ibu hamil di Indonesia dengan pendekatan K-Means untuk mengelompokkan data yang salah klasifikasi oleh SVM. Hasil penelitian menunjukkan bahwa metode hybrid dapat meningkatkan kinerja model SVM. Hybrid SVM-RF memberikan nilai metrik evaluasi yang lebih tinggi dibandingkan dengan SVM-NN. Empat metrik evaluasi yang digunakan, yaitu accuracy, balanced accuracy, sensitivity dan specificity pada SVM-RF masing-masing bernilai sebesar 0,989; 0,989; 0,988; dan 0,989. Peubah yang berkontribusi secara umum berdasarkan SHAP Global terhadap klasifikasi faktor risiko anemia pada ibu hamil secara berurutan adalah Usia, Tablet Fe, Status Bekerja, Pendidikan, Status Gizi dan ANC]]>
Copyrights © 2025
