Ringkasan Tinjauan Pustaka

ANALISIS PERBANDINGAN MACHINE LEARNING SUPPORT VECTOR MACHINE (SVM) DENGAN DECISION
TREE CLASSIFIER DALAM MELAKUKAN INTERPRETASI HASIL PSIKOTES MINAT DAN BAKAT PESERTA DIDIK
SMA DARMA YUDHA PEKANBARU

Disusun Oleh:
Bayu Hanif Pratama
2056102002

Program Studi Magister Terapan Teknik Komputer

Jurusan Teknologi Informasi
Politeknik Caltex Riau
2021

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 1

 Nama Jurnal/ Tahun
No. Judul Penulis Nama Penulis Ringkasan Critical Review
Prosiding Publikasi
1 Isi dengan judul Isi dengan nama-nam Isikan nama jurnal Isikan tahun Isikan secara ringkas isi dari Silahkan tuliskan
publikasi yang penulis, mulai dengan atau prosiding, publikasinya penelitian, tujuannya apa, pandangan kritis
akan dirujuk di penulis pertama tempat penelitian objeknya apa, metode yang anda (criticak review
kajian pustaka dipublikasi digunakan, dll anda) terhadapa
penelitian yang ada.
Biasanya berisi
kertebatasan apa dari
penelitian yang ada,
hal-hal apa yang
bisa diperbaiki dari
penelitian yang ada.
Sampaikan juga
kenapa hal-hal yang
harus
diperbaiki/diimprove
ini menjadi penting.
1 Efficient  John von Neumann Elsevier 2005 Tulisan ini mempresentasikan Menurut
optimization of Institute for kerangka kerja untuk secara pemahaman saya
support vector Computing, Central otomatis menyetel parameter terhadap tulisan ini
machine learning Institute for Applied pembelajaran untuk SVM yaitu penulis telah
parameters for Mathematics, Research (Support Vector Machine). menerapkan
unbalanced Centre Juelich, Metode pengoptimalan optimalisasi yang
datasets Germany. deraivaive-free seperti tepat pada parameter
 Applied Computer APPSPACK telah terbukti untuk SVM khusus untuk
Science and Scientific kasus ini, terutama untuk model datasets yang
Computing, non standar dengan lebih dari dua penulis uji.
Departement of parameter. Model tersebut terjadi Apakah dengan
Mathematics, secara alami dalam pendekatan menggunakan
University of SVM untuk data yang tidak datasets selain data
Wuppertal, Germany. seimbang atau untuk kombinasi kanker payudara,
linier dari dua kernel yang metode optimalisasi
berbeda. derivative-free akan
Karena pengoptimal numerik sebaik ini terhadap

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 2

 Nama Jurnal/ Tahun
No. Judul Penulis Nama Penulis Ringkasan Critical Review
Prosiding Publikasi
hanya menggunakan nilai-nilai SVM ?
dari beberapa ukuran kualitas, Saran saya dan
tanpa pengetahuan tentang sangat
simulasi yang mendasari maka berkemungkinan
ukuran kualitas harus dirancang sekali saya akan
dengan hati-hati. menerapkan metode
Eksperimen dengan dataset yang sama, namun
kanker payudara telah saya akan lebih
menunjukkan bahwa ukuran tambahkan lagi
kualitas baru yang diusulkan untuk parameter
dalam tulisan ini memadai untuk pembelajarannya
membangun pengklasifikasi yang kemudian mencoba
sensitif untuk dataset yang tidak beberapa alternatif
seimbang. dalam memecahkan
ukuran QP
(Quadratic
Program)
2 Parameters Alaa Tharwat, Thomas Springer-Verlag 2019 Paramater pada SVM (Support Sama halnya dengan
optimization of Gabel London Ltd., part Vector Machines) seperti yang penerapan algoritma
support vector of Springer Nature sama-sama diketahui terdiri dari optimalisasi yang
machines for 2019 parameter kernel dan penalty yang lain, untuk menguji
imbalanced data memiliki pengaruh besar pada atau
using social ski akurasi dan kompleksitas model menyempurnakan
driver algorithm. klasifikasi. algoritma
Pada tulisan ini mengusulkan optimalisasi
algoritma social ski-driver (SSD) sebaiknya dilakukan
yang terinspirasi dari algoritma Analisa terhadap
pengoptimalan evolusioner yang datasets public yang
berbeda untuk mengoptimalkan lebih parah dalam
parameter SVM dengan tujuan hal
meningkatkan kinerja klasifikasi. ketidakseimbangan
Untuk mengatasi masalah data datanya. Namun,
yang tidak seimbang merupakan menarik bagi saya,

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 3

 Nama Jurnal/ Tahun
No. Judul Penulis Nama Penulis Ringkasan Critical Review
Prosiding Publikasi
salah satu masalah yang karena sangat
menantang untuk membangun menantang karena
model klasifikasi yang kuat, membandingkan
algoritma SSD-SVM ditingkatkan dengan algoritma
untuk menangani data yang tidak yang sudah sangat
seimbang tersebut. konvensional
Pada pengujiannya menggunakan digunakan yaitu
delapan datasets yang tidak PSO.
seimbang, yang tidak sesuai
standar. Untuk verifikasi, SSD-
SVM dibangingkan dengan PSO
(Practicle Swarm Optimization)
yang merupakan metode
konvensional untuk mencari nilai
parameter dan pengoptimalan.
Hasil eksperimen menunjukkan
bahwa algoritma SSD-SVM
mampu menemukan nilai
parameter SVM yang hamper
optimal, hasilnya juga
menunjukkan kinerja klasifikasi
tinggi dibandingkan dengan
algoritma PSO.
3 A method of Weijun li, Zhenyu Lui Elsevier Ltd. 2011 Jaringan intrusi selalu Tulisan kali ini tidak
SVM with tersembunyi dalam data yang menerapkan
Normalization in skala besar dan perbedaan data ini algoritma
Intrusion sangat besar. Normalisasi sangat optimalisasi namun
Detection dapat membantu mempercepat menerapkan metode
fase pembelajaran dan normalisasi.
menghindari masalah numerik Menurut yang saya
seperti kehilangan presisi dalam cermati dari tulisan
aritmatika. tersebut, lebih baik
Hasil eksperimen pada tulisan ini melakukan

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 4

 Nama Jurnal/ Tahun
No. Judul Penulis Nama Penulis Ringkasan Critical Review
Prosiding Publikasi
membuktikan bahwa SVM dengan optimalisasi dengan
normalisasi memiliki kinerja yang beberapa parameter
jauh lebih baik dibandingkan dibandingkan
dengan metode SVM tanpa dengan hanya
normalisasi. Dan normalisasi Min- melakukan
Max memiliki kinerja yang lebih normalisasi.
baik dalam kecepatan, akurasi Alangkah lebih baik,
validasi silang dan kuantitas keduanya digabung.
vector.
4 On the R. Laref, E. Losson, A. Chemometrics and 2018 Tulisan ini mempelajari Dari tulisan ini, saya
optimization of Sava, M. Siadat Intelligent pnegoptimalan hyperparameter memiliki pandangan
the support vector Laboratoty Systems SVR (Support Vector Machine yang jauh kedepan
machine Regression) untuk estimasi untuk menguji lebih
regression konsentrasi gas. Kombinasi lanjut hasil Analisa
hyperparameters hyperparameter yang berbeda antara GPS dengan
setting for gas dapat memberikan solusi yang metode lainnya.
sensors array baik karena kelebihan satu Tentunya dengan
applications hyperparameter dapat pengaturan
dikompensasi dengan parameter yang telah
hyperparameter yang lain. ditetapkan
Mengusulkan metode Generalized sebelumnya.
Pattern Search (GPS) sebagai Karena penulis pada
alternatif yang sesuai untuk tulisan ini tidak
pencarian kisi-kisi. Pada aplikasi memberikan
ini, GPS adalah solusi yang cocok kejelasan tentang
karena memberikan akurasi, perbandingan yang
kecepatan, efisiensi dan ketahanan dilakukan.
yang baik.
Pada eksperimen GPS selalu
berhasil menemukan kombinasi
hyperparameters yang
memberikan kinerja baik.
Pada tulisan ini, penulis

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 5

 Nama Jurnal/ Tahun
No. Judul Penulis Nama Penulis Ringkasan Critical Review
Prosiding Publikasi
mengklaim bahwa GPS lebih
cepat dan kuat dibandingkan
algoritma genetika, PSO,
Bayesian.
5 Simultaneous Ibrahim Aljarah, Ala M. Springer 2017 Efisiensi algoritma SVM dan Menentukan subset
Feature Selection Al-Zoubi, Hossam Faris, kinerjanya tergantung pada jenis parameter sekalian
and Support Mohammad A. Hassonah, kernel dan parameternya. Selain dengan penentuan
Vector Machine Seyedali Mirjalili, Heba itu, pemilihan subset fitur yang kombinasi parameter
Optimization Saadeh digunakan untuk melatih model merupakan sebuah
Using the SVM adalah factor terpenting lain inovasi yang
Grasshopper yang memiliki pengaruh besar menjanjikan dalam
Optimization pada akurasi klasifikasinya. optimalisasi. Pada
Algorithm Pemilihan subset fitur adalah tulisan ini
Langkah yang sangat penting perbandingan
dalam machine learning, dengan metode lain
khususnya Ketika berhadapan hanya berdasarkan
dengan datasets berdimensi prestasi pada
tinggi. Sebagian besar penelitian datasets yang
menangani factor-faktor penting berbeda-beda.
ini secara terpisah. Penelitian ini
mengusulkan konsep hybrid
dengan menerapkan algoritma
pengoptimalan Grasshopper
(GOA).
Eksperimen menunjukkan bahwa
mengoptimalkan pengklasifikasi
SVM dengan menemukan fitur
yang sesuai dan parameter kernel
yang optimal secara bersamaan
mengarah pada akurasi klasifikasi
keseluruhan yang lebih baik.
6 A PSO and Yukun Bao, Zhongyi Hu, Elsevier 2013 Parameter SVM sangat penting Berdasarkan
pattern search Tao Xiong untuk keberhasilan SVMs. Untuk penjelasan dari

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 6

 Nama Jurnal/ Tahun
No. Judul Penulis Nama Penulis Ringkasan Critical Review
Prosiding Publikasi
based memetic mengoptimalkan parameter tulisan tersebut, saya
algorithm for dengan benar, penelitian ini mendapatkan
SVMs parameters mengusulkan memetic algorithm beberapa ide
optimization (MA) berbasis PSO dan Pattern penggabungan atau
Search (PS). hybrid seperti MA.
PSO digunakan untuk Dan apakah dengan
mengeksplorasi ruang pencarian penggabunga
dan mendeteksi wilayah potensial beberapa metode,
dengan solusi optimal, sementara kinerja dari aplikasi
PS digunakan untuk melakukan juga bertambah?
penyempurnaan yang efektif pada Jika bertambah tentu
wilayah potensial yang diperoleh ada pengaruh bagi
PSO. perangkat fisik dari
Eksperimen yang dilakukan server/ pengguna
menghasilkan beberapa simpulan : aplikasi.
1. Dengan berbagai jenis
strategi seleksi, varian
MA yang diusulkan,
semuanya lebih unggul
daripada PSO tunggal dan
pencarian pola dalam hal
tingkat kesalahan.
2. Waktu komputasi lebih
sedikit daripada PSO
tunggal dan Pencarian
pola tunggal
3. Strategi seleksi probalistik
mendapatkan kinerja yang
baik
4. MA berbasis PSO-PS
yang menggunakan
strategi seleksi
probabilistic mampu

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 7

 Nama Jurnal/ Tahun
No. Judul Penulis Nama Penulis Ringkasan Critical Review
Prosiding Publikasi
menghasilkan kinerja
yang lebih tinggi dan
lebih kuat daripada yang
lain.

7 A GA-based Cheng-Lung Huang, Elsevier 2006 Parameter SVM dan subset fitur Untuk saat ini telah
feature selection Chieh-Jen Wang dioptimalkan secara bersamaan banyak algoritma
and parameters dalam pekerjaan ini karena subset yang dikembangkan
optimization for fitur yang dipilih memiliki untuk memilih
support vector pengaruh pada parameter kernel subset dan bahkan
machines yang sesuai dan sebaliknya. telah ada algo yang
Mengusulkan strategi GA-based menerapkan hybrid
untuk memilih subset fitur dan dalam menentukan
mengatur parameter untuk subset sekalian
klasifikasi SVM. Karena, kombinasi
penelitian sebelumnya tidak parameter.
melakukan pemilihan fitur
simultan.
8 Parallel Machine Guangming Xian IEEE 2017 Penelitian ini mengusulkan Terdapat
Learning Teknik diagnosis kesalahan keterbatasan dalam
Algorithm Using mekanis pada bantalan roller menampung banyak
Fine-Grained- robotic seluler menggunakan vector terutama
Mode Spark on a metode machine learning EMD- support vector dalam
Mesos Big Data SVM paralel, mengingat kumpulan data.
Cloud Computing karakteristik non-stasioner dari Banyaknya support
Software sinyal getaran kesalahan. Sinyal vector dengan
Framework For getaran akselerasi asli diurai oleh efisiensi pelatihan
Mobile Robotic EMD. SVM berfungsi sebagai algoritma yang tidak
Intelligent Fault pengidentifikasi dan mengekstrasi tinggi dan Ketika
Recognition dari stasioner kemudian diambil ada terlalu banyak
sebagai vector input ke jaringa ini. blok data maka
Dengan demikian, bantalan yang akurasi menjadi
rusak dan tidak rusak dapat menurun.

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 8

 Nama Jurnal/ Tahun
No. Judul Penulis Nama Penulis Ringkasan Critical Review
Prosiding Publikasi
dibedakan. Saran untuk
SVM adalah algoritma klasifikasi pengujian
berdasarkan sejumlah besar berikutnya adalah
iterasi, cocok untuk lingkungan melakukan
sampel yang kecil. Ini optimalisasi
menunjukkan kompleksitas tinggi parameter pada
dalam memprosess kumpulan data platform SPARK
skala besar. Penelitian ini agar mendapatkan
mengimplementasikan desain efek pelatihan yang
EMD-SVM paralel pada SPARK lebih baik.
dalam cloud computing.
Algoritma ini diimplementasikan
pada platform SPARK, yang dapat
melakukan segmentasi kumpulan
data skala besar yang dapat
digunakan untuk pelatihan paralel
klasifikasi. Hasil penelitian
menunjukkan bahwa EMD-SVM
paralel pada SPARK
menunjukkan akurasi klasifikasi
yang lebih tinggi daripada EMD-
SVM serial tradisional, dengan
waktu klasifikasi rata-rata yang
jauh lebih rendah, sehingga
menunjukkan keuntungan
pemrosesan paralel teknologi big
data SPARK dalam kerangka
kerja cloud computing untuk robot
cerdas.
9 Online Dinithi Nallaperuma, IEEE Pre-processing data dilakukan Menurut penulis,
Incremental Rashmika Nawaratne, dengan 2 bagian; penelitian ini
Machine Tharindu Bandaragoda, 1. Traffic flow modelling merupakan
Learning Achini Adikari, Su 2. Social media modelling penelitian yang

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 9

 Nama Jurnal/ Tahun
No. Judul Penulis Nama Penulis Ringkasan Critical Review
Prosiding Publikasi
Platform for Big Nguyen, Member, IEEE, Penelitian ini mengusulkan sangat visioner
Data-Driven Thimal Kempitiya, platform manajemen smart traffic karena peneliti telah
Smart Traffic Daswin De Silva, yang baru untuk menangkap pola menerapkan
Management Member, IEEE, dinamis dari aliran data lalu lintas algoritma yang tepat
Damminda Alahakoon, dan mengintegrasikan modul AI dalam menghadapi
Member, IEEE, and untuk analisis lalu lintas secara data dalam frekuensi
Dakshan Pothuhera realtime dan adaptif. Modul AI- yang cepat dan
nya dirancang untuk secara efisien kapasitas yang
mengatasi tantangan utama sistem sangat besar.
transportasi di masa depan di Namun, jika
mana perangkat IoT diadopsi diperluas atau
secara luas, analisis dan control dikembangkan lagi
harus lebih ressponsif dan dapat akan semakin
berevolusi sendiri dan perilaku sempurna, seperti
social perlu dipertimbangkan. penambahan modul
Platform ini juga mengatasi untuk perkiraan
keterbatasan algoritma dan cuaca dan perluasan
teknologi saat ini yang sangat big data mencakup
bergantung pada data berlabel data transportasi
terbatas dan asumsi ketat. lainnya.
Pada pengujian yaitu meggunakan
Bluetooth Real Time Censors dan
data dari media social sekitaran
jalan arteri di Victoria, Australia.
Hasil pengujian membuktikan
bahwa platform dapat secara
realtime mendeteksi pola atau
kejadian berulang dan tidak
berulang dengan validasi data dari
media social. Pada pengujian juga
didapatkan bahwa analisa dampak
dan modul prediksi arus lalu lintas
dapat secara efisien memprediksi

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 10

 Nama Jurnal/ Tahun
No. Judul Penulis Nama Penulis Ringkasan Critical Review
Prosiding Publikasi
dampak jangka pendek dari
peristiwa tersebut.
Akhirnya, simulasi jaringan lalu
lintas skala besar menunjukkan
bahwa deep reinforcement
learning yang diusulkan dapat
belajar untuk meningkatkan
keputusan dalam control lalu
lintas berdasarkan banyak aliran
data secara realtime.
10 An Unsupervised Wenzhong Guo, Yiqing IEEE 2019 Penelitian ini merupakan Menurut
Embedding Shi, Shiping Wang, Neal pengujian dari unsupervised pengamatan penulis,
Learning Feature N. Xiong learning dengan menerapkan penerapan algoritma
Representation algoritma siaseme neural network. siam memang
Scheme for Kesimpulan yang bisa penulis memiliki banyak
Network Big Data dapatkan dari jurnal penelitian ini kelemahan namun
Analysis adalah siaseme berhasil untuk disamping itu siam
melakukan clustering dengan juga memiliki nilai
menerapkan label semu, yang sangat baik
ketidakseimbangan kelas dapat jika dilakukan
diselesaikan dengan memperbesar dengan pengawasan
cakupan parameter evaluasi. yang baik.
Ketika dilakukan upaya untuk
mengurangi ketidakseimbangan
kelas dengan cara meningkatkan
parameter maka evaluasi menjadi
semakin tidak akurat. Solusinya
adalah melakukan random
sampling dengan proporsi
tertentu.

Ringkasan Tinjauan Pustaka – Bayu Hanif Pratama | 11