Implementasi Metode Support Vector Machine (SVM) Untuk Klasifikasi Rumah Layak Huni (Studi Kasus: Desa Kidal Kecamatan Tumpang Kabupaten Malang)

  

Vol. 2, No. 10, Oktober 2018, hlm. 3366-3372 http://j-ptiik.ub.ac.id

Implementasi Metode Support Vector Machine (SVM) Untuk Klasifikasi

Rumah Layak Huni (Studi Kasus: Desa Kidal Kecamatan Tumpang

  

Kabupaten Malang)

_{1 2 3} Weni Agustina , Muh. Tanzil Furqon , Bayu Rahayudi

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: weniagust@gmail.com, m.tanzil.furqon@ub.ac.id, ubay1@ub.ac.id

  

Abstrak

  Rumah merupakan bagian penting dalam aspek kehidupan. Rumah yang layak digunakan tempat tinggal yaitu rumah yang bersih, aman, dan nyaman. Kurangnya pengetahuan tentang fungsi rumah pada masyarakat, semakin susah terwujudnya rumah yang layak huni. Pemerintah kesulitan dalam menilai rumah layak huni, pada kenyataanya rumah yang tidak bagus namun penghasilan tinggi. Bantuan yang diberikan pemerintah seringkali salah sasaran, banyak masyarakat yang protes karena hal seperti ini. Untuk mengatasi masalah tidak salah sasaran, maka pemerintah membutuhkan sistem yang mengklasifikasikan rumah layak huni dan rumah tidak layak huni. Sistem untuk klasifikasi rumah layak huni dibuat menggunakan metode Support Vector Machine (SVM). Dalam penelitian ini menggunakan 160 data yang terbagi menjadi dua jenis yaitu layak dan tidak layak. Metode yang digunakan yaitu metode Support Vector Machine (SVM) merupakan metode klasifikasi yang baik. Metode Support

  

Vector Machine (SVM) ini bersifat linier, namun metode SVM juga bisa digunakan untuk

  menyelesaikan masalah non-linier. Hasil pengujian menghasilkan rata-rata akurasi sebesar 98,75% dengan menggunakan metode pengujian K-fold Cross Validation dengan nilai k = 10, serta parameter metode SVM antara lain yaitu

  = 0,5, = 0,001, = 1, = 2, iterasi maksimum = 10 iterasi dan menggunakan kernel Polynomial of degree.

  Kata kunci: klasifikasi, rumah, layak huni, support vector machine

Abstract

  

House is an important part in the aspect of life. A habitable house that is good to be used is clean, safe,

and comfortable. Lack of knowledge about the function of house in the society, more difficult to imply

the realization of a habitable house. Government gets difficulty in assessing the habitable house. In fact,

the unpreety house has high income. Government's assistance often misplaced, many people complain

because of this. To overcome the problem, then the government needs a system that classifies habitable

house and inhabitable house. The system for classification of habitable house was made using the

Support Vector Machine (SVM) method. this study uses 160 data that is divided into two types that are

habitable and inhabitable. The method used is Support Vector Machine (SVM) method is a good

classification method. Support Vector Machine (SVM) method is linear, but SVM method can also be

used to solve non-linear problem. The experiment result shows an average accuracy of 98,75% using

K-fold Cross Validation test method with k = 10, and SVM method parameters are

   = 0,5, = 0,001, = 1, = 2, maximum iteration = 10 iteration and using the Polynomial of degree kernel.

  Keyword: classification, house, uninhabitable, support vector machine

  miskin karena keterbatasan ekonomi (Hendi, 1.

   PENDAHULUAN 2016).

  Kenyataan yang ada di masyarakat yaitu Kebutuhan manusia yang paling dasar masih banyak rumah yang tidak layak huni. yaitu rumah. Rumah harus bersih, nyaman,

  Keterbatasan pengetahuan tentang fungsi aman serta layak huni. Rumah layak huni rumah dan sarana prasarana dapat susah diwujudkan oleh masyarakat yang menyebabkan semakin sulit terwujudnya

  Fakultas Ilmu Komputer Universitas Brawijaya

3366 rumah layak huni (Kementrian Sosial Republik Indonesia, 2017).

  Pemerintah kesulitan dalam menilai rumah yang layak atau tidak layak. Pada kenyatannya rumah yang tidak layak, akan tetapi mempunyai penghasilan yang cukup lumayan untuk membangun rumah yang layak. Oleh karena itu, diperlukan suatu sistem untuk mengklasifikasikan rumah layak huni dan rumah tidak layak huni berdasarkan kriteria-kriteria seperti penghasilan, keadaan fisik bangunan, dan fasilitas yang ada di dalam rumah agar dapat membantu pemerintah dalam pemberian bantuan supaya tidak salah sasaran.

  2. KAJIAN PUSTAKA

  Tidak permanen dan/atau rusak b.

  5. Rumah yang ditempati merupakan rumah tidak layak huni, dengan kondisi rumah: a.

  3. Kebutuhan pokok tidak dapat terpenuhi sehingga masih membutuhkan bantuan seperti zakat dan raskin 4. Hanya rumah dan tanah barang berharga yang dimiliki

  2. Kepala keluarga atau anggota keluarga tidak mempunyai pekerjaan atau mempunyai pekerjaan tetapi penghasilannya tidak dapat kmemenuhi kebutuhan keluarga sehari-hari.

  Mempunyai kartu identitas diri yang masih berlaku (KTP/Identitas lain)

  Kriteria-kriteria yang harus dipenuhi untuk mendapatkan bantuan dana dari pemerintah antara lain (Kementrian Sosial Republik Indonesia, 2017): 1.

  Untuk mengatasi masalah tersebut pemerintah mengadakan program dengan cara memberikan bantuan kepada rumah yang tidak layak huni yang disebut dengan Rehabilitas Sosial Rumah Tidak Layak Huni (RS-RTLH). Bantuan yang diberikan kepada masyarakat yaitu berupa bantuan dana untuk memperbaiki rumah yang rusak dan tidak layak huni (Fauzi, 2016).

  Pekerjaan masyarakat desa yang mayoritas adalah petani serta kurangnya pengetahuan terhadap masyarakat akan pentingnya rumah yang tidak membahayakan penghuninya juga menjadi penyebab sulitnya menciptakan rumah yang layak huni.

  Rumah adalah salah satu kebutuhan yang wajib dipenuhi. Rumah merupakan tempat tinggal, tempat berkumpul keluarga. Oleh karena itu, rumah harus dalam keadaan layak huni demi terbentuknya kesejahteraan masyarakat. Namun, saat ini dengan meningkatnya kemiskinan serta ekonomi yang lemah akan mempersulit untuk mewujudkan rumah yang layak huni (Hendi, 2016).

  2.1 Rumah Layak Huni

  dianggap mempunyai tingkat akurasi yang baik dalam masalah klasifikasi data.

  Pada penelitian yang dilakukan sebelumnya tentang klasifikasi rumah layak huni yang dilakukan oleh (Simatupang, Wuryandari, & Suparti, 2016). Penelitian ini mempunyai akurasi 71,43% dan tingkat error sebesar 28,57%. Sedangkan penelitian menggunakan metode Naive Bayes

  Machine

  Huni Studi Kasus: Desa Kidal Kecamatan Tumpang Kabupaten Malang”. Kriteria- kriteria yang digunakan yaitu tentang fisik bangunan rumah dan fasilitas yang ada di dalam rumah, metode Support Vector

  Machine untuk Klasifikasi Rumah Layak

  Berdasarkan uraian dari penelitian- penelitian di atas, maka penuliskmengambil judul “Implementasi Metode Support Vector

  Vector Machine (SVM) mempunyai akurasi yang tinggi dalam proses klasifikasi data.

  sebesar 78,59%. Penelitian selanjutnya yang dilakukan oleh (Ustuner, Samli, & Dixon, 2015) ini membahas tentang citra RapidEye untuk wilayah studi di Turki menggunakan metode Support Vector Machine (SVM) dan menunjukkan tingakat akurasi sebesar 85,63%. Sedangkan pada penelitian yang yang dilakukan oleh (Vanitha, Devaraj, & Venkatesulu, 2015) membahas klasifikasi data gen microarray. Dengan menggunakan metode SVM linier mempunyai tingkat akurasi 0,9777. Dari penelitian yang dilakukan sebelumnya, metode Support

  Machine (SVM) mempunyai tingkat akurasi

  dilakukan oleh (Ogunlana, Olabode, Oluwadare, & Iwasokun, 2015). Penelitian ini membahas tentang klasifikasi jenis ikan menunjukkan bahwa metode Support Vector

  Support Vector Machine (SVM) yang

  Penelitian selanjutnya tentang metode

  Classifier mempunyai tingkat akurasi 95,24% dan tingkat error 4,76%.

  Dinding dan atap terbuat dari bahan yang mudah rusak atau lapuh c.

  Dinding dan atap sudah rusak sehingga bahaya bagi keselamatan penghuni d. Lantai rumah sudah rusak 6. Tidak mempunyai fasilitas kamar mandi, cuci, dan kakus.

  Menghitung = ∑

  = 1, kemudian parameter lainnya seperti = 0.5, =

  2, = 1, = 0.0001.

  Menghitung matriks hessian dengan persamaan 2.2.

  = ( ( , ) +

  2

  (2.2) Mulai dari data ke i sampai dengan j, dapat dihitung nilai error menggunakan persamaan berikut: a.

  =1

  Melakukan inisialisasi terhadap

  (2.3) b. Menghitung

  = min⁡(max[ (1 − ), ] , − (2.4) c. Menghitung d.

  =⁡ + ⁡ (2.5)

  Langkah ketiga dilakukan secara berulang- ulang sampai mendapatkan iterasi maksimum. Kemudian akan didapatkan nilai support vector.

  3. Testing Support Vector Machine Testing merupakan tahap pengujian dari

  metode Support Vestor Machine. Tahap testing dilakukan untuk mencari nilai ( ) yang ditunjukkan pada persamaan 2.6.

  1

  Training (Vanitha, Devaraj, & Venkatesulu, 2015).

  2.2 Klasifikasi

  Metode Support Vector Machine (SVM) terdapat dua cara dalam penyelesainnya, yaitu

  Klasifikasi adalah proses mengelompokkan data menjadi kelas tertentu berdasarkan kelas yang sudah ada (Simatupang, Wuryandari, & Suparti, 2016). Klasifikasi merupakan teknik yang memudahkan karena dengan melakukan klasifikasi data akan lebih mudah dalam proses pencarian karena data sudah berkelompok. Klasifikasi dapat mempermudah mengidentifikasi data dalam jenis dan kelompok, sehingga klasifikasi bisa memprediksi anggota kelompok dari masing- masing data (Bhavsar & Panchal, 2012). Teknik yang digunakan dalam proses klasifikasi antara lain Decision Tree Induction, Rule Base

  classifier, Bayesian classifier, Artifical Neural Network, Nearest Neighbor classifier, Support Vector Machine, dan Ensamble classifier (Bhavsar & Panchal, 2012).

  2.3 Support Vector Machine (SVM) Support Vector Machine (SVM) adalah salah

  satu metode yang bisa digunakan dalam proses klasifikasi atau regresi. Metode SVM dapat mengklasifikasikan masalah secara linier, namun saat ini SVM sudah berkembang bisa menyelesaikan masalah secara non-linier dengan mencari hyperplane yang digunakan untuk jarak maksimal antar kelas data (Oktaviani, Wulandari, & Ispriyanti, 2014).

  Support Vector Machine (SVM) merupakan

  metode yang bersifat non-parametric dan biasanya digunakan dalam klasifikasi data serta pengolahan citra. Tingkat akurasi pada metode ini diambil dari parameter dan kernel, pengguna dapat menetukan parameter dan pada kernel setiap parameter akan memiliki dampak yang berbeda (Ustuner, Samli, & Dixon, 2015).

  linier dan non-linier.

  pengembangan Quadratic Programming yang digunakan unrtuk menyelesaikan optimasi yang kecil serta algoritmanya juga kompleks. Sedangkan Sequential Training, algoritmanya lebih sederhana serta tidak butuh waktu yang lama. Berikut adalah Algoritma Sequential

  Normalisasi yaitu proses menyederhanakan rentang data dengan jangkauan nilai tertentu. Normalisasi digunakan untuk data yang bernilai sangat besar dan sangat kecil agar mendapatkan rentang nilai yang seimbang (Haryati, et al., 2016). Berikut adalah rumus persamaan normalisasi data yang akan dijelaskan pada Persamaan 2.1

  =

  − −

  (2.1) Pada Persamaan 2.1 yaitu untuk menghitung normalisasi data. Nilai normalisasi dapat diperoleh dari nilai x data dikurangi nilai nimimal dari keseluruhan data, selanjutnya dibagi nilai maksimal data yang dikurangi nilai minimal.

  2. Squential Training

  Metode Support Vector Machine (SVM) mempunyai beberapa jenis proses training antara lain Quadratic Programming, Sequential Minimal Optimization, dan Sequential Training.

  Quadratic Programming memerlukan waktu yang cukup lama serta algoritmanya kompleks. Sequential Minimal Optimization sebagai

1. Normalisasi

  setelah proses training selesai. Output yang (2.6)

  ( ) = ∑ ( , ) +

  =1

  dihasilkan berupa hasil klasifikasi rumah layak Untuk mencari nilai dapat menggunakan huni yang akan digunakan untuk proses evaluasi persamaan 2.7.

  1 mengukur nilai akurasi yang dihasilkan oleh

• = − [∑ ( , ) +

  =1

  2 sistem.

  −

  (2.7) ∑ ( , ) ]

  =1 Mulai 4.

   Akurasi

  Dalam teknik klasifikasi akan ada teknik untuk menguji tingkat akurasi. Pengujian akurasi digunakan untuk mengecek hasil dari sistem

  Data Rumah Layak Huni dan

  dengan data yang ada sebenarnya. Proses

  Rumah Tidak layak Huni

  perhitungan akurasi dan tingkat error adalah sebagai berikut (Simatupang, Wuryandari, & Suparti, 2016):

  ℎ⁡ ⁡ ⁡ ⁡ Normalisasi

  (2.8) =

  ℎ⁡ ⁡ ⁡ Dataset

  ℎ⁡ ⁡ ⁡ ⁡ ℎ

  (2.9) =

  ℎ⁡ ⁡ ⁡ Proses 5.

   K-fold Cross Validation Training SVM

  K-fold Cross Validation merupakan metode

  pengujian yang digunakan untuk optimasi nilai parameter. Terdapat nilai k yang digunakan

  Proses

  untuk membagi data dan melakukan proses

  Testing SVM

  perulangan pada pengujian (Athoillah, Irawan, & Imah, 2015).

3. PERANCANGAN DAN

  Hasil Klasifikasi

  IMPLEMENTASI Rumah Layak Huni

  Proses klasifikasi rumah layak huni dengan metode support vector machine ditunjukkan pada Gambar 1.

  Gambar 1 menjelaskan tentang proses

  Selesai

  klasifikasi rumah layak huni menggunakan metode Support Vector Machine (SVM). Proses awal yaitu memberikan input berupa data

  Gambar 1 Alur Proses metode Support

  parameter rumah layak huni sebagai acuan

  Vector Machice

  proses seleksi penerima bantuan. Data berjumlah 160 data dengan parameter antara lain jumlah

  4. PENGUJIAN DAN ANALISIS

  penghasilan per bulan, pekerjaan, jumlah Penelitian ini dilakukan pengujian dan anggota, jumlah KK dalam rumah, status analisis terhadap sistem klasifikasi rumah layak kepemilikan tanah, kondisi rumah, luas huni meggunakan metode support vector bangunan, luas tanah, jenis lantai rumah, bahan

  machine (SVM). Pengujian yang dilakukan yaitu

  dinding rumah, kondisi dinding rumah, bahan pengujian parameter-parameter yaitu parameter atap rumah, kamar MCK, air bersih, dan listrik

  lambda (

  ʎ), parameter gamma ( ), parameter

  complexity (C), pengujian iterasi serta pengujian

  Data parameter tersebut akan dihitung menggunakan metode k-fold cross validation. mengunakan metode Support Vector Machine (SVM). Selanjutnya dilakukan proses

  4.1. Pengujian Gamma (

  ) nomalisasi pada dataset serta membagi dataset tersebut menjadi data training dan data testing.

  Pada pengujian gamma ( ) nilai parameter

  Metode Support Vector Machine (SVM) dimulai

  Sequential Training SVM yang digunakan yaitu

  dari proses training dengan menggunakan = 0,5, = 1, = 2, iterasi maksimum = 2 metode sequential training untuk mendapatkan iterasi, nilai k = 10, dan menggunakan data parameter SVM. Proses testing akan dilakukan sebanyak 160 data. Hasil Pengujian gamma (

  ) dapat dilihat pada Gambar 2.

  Akurasi Lambda Akurasi Gamma 120

  98,75 98,75 96,25 91,875

  105 90 93,75 9096,2593,75 100

  100 98,75

  ) 98,125 97,598,75

  100 95,625 )

  95

  95 68,125 93,75

  80 i (%

  (%

  95

  90 ras si

  60 ra

90 Aku

  40 Aku

  85

  1

  5

  10

  20 0,1 0,5 1,5 2,5 0,001

  0,0001 0,00001 0,1 0,3 0,5 1 1,5 2 2,5 3 3,5 30 Gamma

  Lambda Gambar 2 Pengujian Nilai gamma (

  )

  Gambar 3 Pengujian Lambda

  Analisis hasil Gambar 2 yaitu tingkat akurasi tertinggi terdapat pada nilai = 0,001

  4.3. Pengujian Complexity (C)

  dengan akurasi sebesar 100%. Nilai akurasi Pada pengujian cenderung naik dan stabil ketika nilai (complexity) nilai parameter diatas

  Sequential Training SVM yang digunakan

  0,001. Hal ini karena nilai (gamma) dalam pengujian ini yaitu berpengaruh pada proses pembelajaran. Dapat = 0,001, = 0,5,

  = 2, iterasi maksimum = 2 iterasi, nilai k = 10, disimpulkan bahwa ketika nilai (gamma) dan menggunakan data sebanyak 160 data. Hasil semakin tinggi maka nilai learning rate akan pengujian bisa dilihat pada Gambar 4. semakin cepat. Begitu sebaliknya jika nilai (gamma) semakin kecil akan menyebabkan

  Akurasi C

  ketelitian sistem semakin lambat sehingga

  98,75 memperoleh akurasi rendah.

  100 96,875

  98 95 95

  95 )

  93,75 93,75 93,75

  96

4.2. Pengujian lambda ( (%

  94 91,25

  )

  si

  90

  92 ra

  90 Pada pengujian

  (lambda) nilai parameter

  88 Aku Sequential Training SVM yang digunakan

  86

  84

  dalam pengujian ini yaitu = 0,001, = 1, =

  2, iterasi maksimum = 2 iterasi, nilai k = 10, dan menggunakan data sebanyak 160 data. Hasil pengujian dapat dilihat pada Gambar 3.

  C

  Analisis hasil Gambar 3 yaitu akurasi cenderung stabil. Nilai akurasi terbaik terdapat

  Gambar 4 Pengujian Complexity

  ketika nilai (lambda) yaitu 0,5 dan 1,5 dengan akurasi sebesar 98,75%. Dapat disimpulkan

  Analisis hasil Gambar 4 yaitu tingkat akurasi bahwa nilai tinggi ketika nilai

  (lambda) yang semakin tinggi yaitu 1. Namun, akurasi maka akan memperoleh nilai akurasi yang baik. turun ketika nilai terlalu besar. Hal ini

  Namun, ketika nilai (lambda) terlalu besar disebabkan karena parameter berpengaruh dapat mengakibatkan waktu komputasi terhadap kesalahan yang terjadi ketika perhitungan matriks Hessian yang lama dan melakukan klasifikasi. Tujuan parameter mengakibatkan sistem berjalan lebih lambat. Hal adalah untuk meminimalkan nilai error. tersebut bisa dilihat ketika nilai

  (lambda) = 30 Berdasarkan pengujian dapat dilihat ketika nilai yang menghasilkan nilai akurasi turun menjadi semakin kecil maka akan menunjukkan 68,125%. kesalahan yang kecil juga dan begitu sebaliknya.

  4.4. Pengujian Jumlah Iterasi

  Pada pengujian jumlah iterasi nilai parameter Sequential Training SVM yang digunakan dalam pengujian ini yaitu

  = 0,001,

  = 1, = 2, = 0,5, nilai k = 10, dan menggunakan data sebanyak 160 data. Hasil pengujian dapat dilihat pada Gambar 5.

  95

  98 100

  10

  30

  50

  80 100 300 500 700 1000 1500 Aku ras i (% )

  Jumlah Iterasi Jumlah Iterasi

  95 96,25 97 95,3795

  98,75

  95 98,75

  95

  97

  93

  94

  96

  94

  97

  98

  99 100

  1

  2

  3

  4

  5

  6

  7

  8

  9

  10 Aku ras i( % )

  Nilai k K-fold Cross Validation

  96

  92

  Gambar 5 Pengujian Jumlah Iterasi

  90

  93,75 98,75 98,75 95 98,75 98,75

  98,75 96,875 95 98,75

  Analisis hasil Gambar 5 yaitu nilai optimal pada pengujian ini yaitu 98,75%. Hasil akurasi cenderung naik dan turun karena data yang digunakan random.

  = 0,001, = 1, = 2, = 0,5, nilai k = 10 dan jumlah iterasi maksimum 10 iterasi. Berdasarkan hasil dari pengujian metode

  Support Vector Machine (SVM) sangat cocok

  untuk klasifikasi rumah layak huni dengan nilai akurasi rata-rata yaitu 98,75%.

  6. DAFTAR PUSTAKA Athoillah, M., Irawan, M., & Imah, E. (2015).

  Study Comparison of SVM, K-NN, and Backpropagation-Based, Classifier for Image Retrieval. Journal of Computer Science and Information .

  Bhavsar, H., & Panchal, M. H. (2012). A Review on Support Vector Machine for Data Classification. International Journal of

  Advanced Research in Computer Engineering & Technology(IJARCET) .

  Fauzi, W. (2016). Sistem Pendukung Keputusan Penerima Bantuan Dana Rutilahu dengan Menggunakan Metode Electre.

4.5. Pengujian K-fold Cross Validation

  Jenis Batubara menggunakan JST dengan Algoritma Backpropagation .

  Data menjadi Informasi menggunakan MATLAB. Yogyakarta: CV. ANDI

  OFFSET (Penertib Andi).

  Pada pengujian pembagian data menggunakan metode k-fold Cross Validation nilai parameter Sequential Training SVM yang digunakan dalam pengujian ini yaitu

  = 0,001, = 1, = 2, = 0.5, nilai k=10, iterasi maksimum = 10 iterasi, dan menggunakan data sebanyak 160 data. Hasil pengujian dapat dilihat pada Gambar 6.

  Gambar 6 K-fold Cross Validation

  Analisis hasil dari Gambar 6 yaitu akurasi yang dihasilkan cenderung stabil yaitu diatas 90% Dapat disimpulkan bahwa data yang digunakan adalah valid.

  5. PENUTUP

  Hasil pengujian yang sudah dilakukan sistem klasifikasi rumah layak huni menggunakan metode Support Vector Machine (SVM) menghasilkan akurasi yang baik dengan parameter yaitu

  Prasetyo, E. (2014). DATA MINING Mengolah

  Haryati, Febby, D., Abdillah, Gunawan, Hadiana, & Asep. (2016). Klasifikasi

  (2014). Penerapan Metode Klasifikasi Support Vector Machine (SVM) Pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten Magelang. Gaussian.

  Oktaviani, P. A., Wulandari, Y., & Ispriyanti, D.

  B. (2015). Fish Classification using Support Vector Machine. African Journal of Computng & ICT .

  Iwasokun, G.

  Kriteria Rumah Layak Huni. Ogunlana, S., Olabode, O., Oluwadare, S., &

  Kementrian Sosial Republik Indonesia. (2017).

  Hendi, R. (2016). Implementasi Program Rehabilitasi Sosial Terhadap Rumah Tidak Layak Huni di Desa Seleman Kecamatan Bunguran Timur Laut Kabupaten Natuna. Ilmu Administrasi Negara .

  Sentika . Simatupang, F. J., Wuryandari, T., & Suparti.

  (2016). Klasifikasi Rumah Layak Huni di Kabupaten Brebes dengan Menggunakan Metode Learning Vector Quantization dan Naive Bayes.

  Gaussian .

  Ustuner, M., Samli, F. B., & Dixon, B. (2015).

  Application of Support Vector Machines for Landuse Classification Using High-Resolution RapidEye Images: A Sensitivity Analysis.

  European Journal of Remote Sensing .

  Vanitha, D., Devaraj, & Venkatesulu. (2015).

  Gene Expression Data Classification using Support Vector Machine and Mutual Information-based Gene Selection. Procedia Computer Science.