harus dipertimbangkan dan algoritma klasifikasi lain seperti fuzzy dan kNN k-Nearest Neighbour. Juga berencana untuk membandingkan hasil mesin pembelajaran ML
berdasarkan emosi pengakuan dengan gairah yang dilakukan manusia valensi data.
3.3.5 Penelitian dalam bidang Time Series
Cao 2002 melakukan penelitian yang mengusulkan penggunaan SVM untuk peramalan time series.
SVM telah diusulkan sebagai teknik baru dalam peramalan time series Mukherjee et al., 1997. SVM adalah jenis yang sangat special dari algoritma
pembelajaran ditandai oleh kontrol kapasitas fungsi keputusan, penggunaan fungsi kernel dan sparsity dari solusi. Didirikan pada teori yang unik prinsip minimisasi risiko
struktural untuk memperkirakan fungsi dengan meminimalkan sebuah batas atas dari kesalahan generalisasi, SVM yang terbukti sangat tahan terhadap masalah, akhirnya
mencapai kinerja generalisasi tinggi dalam memecahkan masalah peramalan time series berbagai. Properti lain adalah kunci SVM pelatihan yang setara dengan memecahkan
pemrograman linear kuadrat dibatasi masalah sehingga solusi dari SVM selalu unik, global dan optimal, seperti pelatihan jaringan lain yang membutuhkan non-linear
optimasi dengan bahaya dari terjebak dalam minimum lokal. Dalam pemodelan time series, dua masalah utama adalah kebisingan dan non
stasioneritas. Karakteristik bising mengacu pada tidak tersedianya informasi yang lengkap dari perilaku masa lalu dari seri waktu untuk sepenuhnya menangkap
ketergantungan antara masa depan dan masa lalu. Informasi yang tidak termasuk dalam model dianggap sebagai kebisingan. Kebisingan di data dapat menyebabkan masalah
over-fitting atau di bawah-fitting. Memperoleh model akan memiliki tingkat kinerja rendah ketika diterapkan pada pola-pola data baru.
Universitas Sumatera Utara
Tabel 3.2: Penggunaan waktu CPU dan angka support vectors
Data sets SVMs experts
Best single SVMs model CPU time
s of SV
CPU time s of SV
Sunspot 53
82 93
98 Santa Fe-a
748 875
34573 899
Santa Fe-c 2
42 51
66 Santa Fe-d
221 1256
66994 1336
Building-1 WBE 344
2049 13688
2117 Building-1 CCW
90 1994
6591 2004
Building-1 HW 52
1977 9228
2046 Building-2
1292 1503
7731 1568
Berdasarkan tabel 3.2 terlihat bahwa Selain itu, waktu CPU yang digunakan dan jumlah support vector SVMs dan model tunggal SVMs, yang dihitung untuk semua set
data. Tabel tersebut menunjukkan bahwa waktu yang dihabiskan untuk
solusi sebagian besar kurang untuk SVMs dari model SVMs tunggal yang terbaik. Semua hasil simulasi menunjukkan bahwa model SVMs lebih efektif dan efisien
dalam peramalan time series dibandingkan model tunggal SVM .
3.3.6 Penelitian dalam bidang Jaringan Komputer