Rastegari et al., 2010 melakukan penelitian dalam mengatasi serangan Denial of Service DOS terhadap Domain Name System DNS dengan teknik Machine Learning.
Kelebihan pada penelitian: -
SVM dalam hal tingkat deteksi, akurasi, dan tingkat alarm palsu. Hasil perbandingan menunjukkan bahwa jaringan saraf propagasi kembali performanya
melebihi pengklasifikasi lain dengan tingkat deteksi 99,55 untuk serangan DoS langsung, 97,82 tingkat deteksi untuk serangan amplifikasi, akurasi 99, dan
0,28 tingkat alarm Kekurangan pada penelitian:
palsu.
- Tidak ada sistem deteksi yang spesifik untuk ancaman Denial of Service DoS
terhadap DNS.
Tabel 4.3: Hasil Penelitian dalam Bidang Internet No
Judul Penelitian Penulis
Sampel Parameter
Akurasi 1
Support Vector Regression for Link
Load Prediction Bermolen,
P., Rossi Dataset
secara acak -
IP -
Latency 20
2 Defending Denial
of Service Attacks against Domain
Name System with Machine Learning
Techniques Rastegari,
S., Saripan,
M.I., Rasid, M.
F. Statistik
lalu lintas data
- Simulator jaringan 99
Pada Tabel 4.3 di atas, terlihat bahwa penelitian yang ditulis oleh Rastegari et al., menunjukkan hasil akurasi yang tinggi yaitu 99 menggunakan teknik SVM.
4.4 Penelitian dalam bidang Musik
Han et al., 2009 melakukan penelitian pengenalan emosi musik menggunakan support vector regression. Emosi musik memainkan peran penting dalam menentukan
jenis musik, deteksi mood dan aplikasi yang berhubungan dengan musik lainnya. Berbagai masalah untuk pengenalan musik emosi telah ditangani oleh berbagai disiplin
ilmu seperti fisiologi, ilmu psikologi, kognitif dan musikologi.
Universitas Sumatera Utara
Kelebihan dalam penelitian: -
Klasifikasi berbasis SVR dalam sistem koordinat polar sangat meningkatkan akurasi pengakuan emosi dari 63,03 menjadi 94,55. Namun, klasifikasi
GMM dengan kutub koordinat hanya meningkat dari 91,52 menjadi 92,73 .
- Dalam penelitian ini, pengakuan emosi musik otomatis telah dievaluasi
menggunakan klasifikasi mesin pembelajaran dengan berbagai algoritma seperti SVM, SVR dan GMM
.
Kekurangan dalam penelitian: -
Penelitian ini tidak membahas bagaimana emosi musik berkomunikasi.
Tabel 4.4: Hasil Penelitian dalam Bidang Musik No
Judul Penelitian Penulis
Sampel Parameter
Akurasi 1
Smers: Music Emotion Recognition
Using Support Vector Regression
Han, B., Dannenberg,
R., Hwang, E
165 Lagu Pop Barat
- Valensi - Gairah
94,55
Berdasarkan tabel 4.4 di atas terlihat bahwa akurasi SVR sebesar 94,55 artinya teknik SVR dalam penelitian bidang musik menunjukkan hasil yang sangat akurat.
4.5 Penelitian dalam bidang Time Series
Cao 2002 melakukan penelitian yang mengusulkan penggunaan SVM untuk peramalan time series.
Kelebihan pada penelitian: -
Semua hasil simulasi menunjukkan bahwa model SVMs lebih efektif dan efisien dalam peramalan time series dibandingkan model tunggal SVM
.
Kekurangan pada penelitian:
Universitas Sumatera Utara
- Dalam pemodelan time series, dua masalah utama adalah kebisingan dan non
stasioneritas.
Ringkasan hasil penelitian dalam bidang Time Series terlihat pada tabel 4.5
Tabel 4.5: Hasil Penelitian dalam Bidang Time Series No
Judul Penelitian Penulis
Sampel Parameter
Akurasi 1
Support vector
machines experts for time
series forecasting
Lijuan Cao
- - CPU Time
-
4.6 Penelitian dalam bidang Jaringan Komputer