OPTIMASI FITUR ALGORITMA SUPPORT VECTOR MACHINE (SVM) MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) UNTUK KLASIFIKASI JENIS FOSIL FORAMINIFERA PLANKTON

Asshidiq, Dhimas Wahyu (2023) OPTIMASI FITUR ALGORITMA SUPPORT VECTOR MACHINE (SVM) MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) UNTUK KLASIFIKASI JENIS FOSIL FORAMINIFERA PLANKTON. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (15kB)
	Text COVER.pdf Download (140kB)
	Text DAFTAR ISI.pdf Download (250kB)
	Text DAFTAR PUSTAKA.pdf Download (146kB)
	Text HALAMAN PENGESAHAN PEMBIMBING- Dhimas Wahyu Asshidiq- 123190071.pdf Download (210kB)
	Text HALAMAN PENGESAHAN PENGUJI - Dhimas Wahyu Asshidiq - 123190071.pdf Download (256kB)
	Text SKRIPSI FULL Dhimas Wahyu Asshidiq.pdf Restricted to Repository staff only Download (3MB)

Abstract

Foraminifera adalah organisme uniseluler yang menghasilkan cangkang berukuran
antara 30µ hingga lebih dari 1 cm, tersebar di lingkungan payau atau laut dalam.
Foraminifera memiliki beragam ukuran cangkang, mulai dari 0,005mm hingga 0,5mm,
dengan beberapa spesies mencapai diameter 18cm. Salah satu jenis Foraminifera adalah
plankton, yang hidup mengapung di permukaan air laut dan penting dalam penentuan umur
relatif lapisan sedimen batuan. Fosil Foraminifera plankton memiliki nilai penting dalam
studi paleontologi dan geologi, memberikan wawasan tentang kondisi lingkungan laut dan
perubahan iklim di masa lalu. Foraminifera juga berperan dalam industri eksplorasi minyak
dan gas bumi. Namun, identifikasi jenis plankton Foraminifera memerlukan waktu dan
keahlian khusus, sehingga perlu dikembangkan sistem untuk mengklasifikasikan jenis
plankton Foraminifera.
Salah satu algoritma yang dapat digunakan untuk klasifikasi foraminifera plankton
adalah algoritma Support Vector Machine. Akan tetapi Algoritma Support Vector Machine
(SVM) memiliki kelemahan dalam pengolahan data dengan banyak fitur sehingga perlu
dilakukan optimasi guna meningkatkan akurasi. Particle Swarm Optimization merupakan
salah satu algoritma pemilihan fitur yang dapat mengatasi kelemahan SVM. Data citra akan
dilakukan ekstrasksi fitur GLCM yaitu homogeneity, contrast, correlation, dan energy serta
ekstraksi fitur bentuk yaitu area, perimeter, dan metric eccentricity. Hasil ekstraksi fitur
kemudian digunakan untuk pelatihan model SVM dan model PSO-SVM. Penelitian ini
menggunakan multiclass SVM yaitu One Versus Rest (OVR) dengan C sebesar 10 dan
kernel RBF. Untuk seleksi fitur menggunakan PSO, parameter yang digunakan yaitu C1
sebesar 2.0, C2 sebesar 2.0, W sebesar 1.0, jumlah partikel sebesar 50 dan iterasi maksimal
yaitu 50.
Dalam penelitian ini, pengujian dilakukan dengan confusion matrix untuk
menghitung akurasi, presisi dan recall pada model SVM dan model PSO-SVM untuk
klasifikasi fosil foraminifera plankton. Pada model PSO-SVM, setelah dilakukan seleksi
fitur didapatkan jumlah fitur yang digunakan sebanyak 9 fitur dari total ekstraksi fitur yaitu
19 fitur. Setelah dilakukan pengujian dengan confusion matrix model SVM mendapatkan
akurasi sebesar 92% sedangkan akurasi dari model PSO-SVM yaitu sebesar 97%. Dari hasil
pengujian tersebut menunjukkan bahwa seleksi fitur menggunakan PSO dapat mengatasi
permasalahan pada algoritma SVM dan dapat meningkatkan performa model untuk
klasifikasi fosil foraminifera plankton.
Kata Kunci : Foraminifera Plankton, GLCM, Fitur Bentuk, SVM, PSO

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Foraminifera Plankton, GLCM, Fitur Bentuk, SVM, PSO
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	27 Nov 2023 06:49
Last Modified:	27 Nov 2023 06:49
URI:	http://eprints.upnyk.ac.id/id/eprint/38223

Actions (login required)

View Item