Detail Cantuman

Penelitian ini melakukan penerapan metode hyperparameter tuning pada model Support Vector Machine (SVM) untuk klasifikasi, menggunakan dataset Water Quality Index dari CETESB dan juga dataset DEQ Water Quality Index. Studi ini mengevaluasi kinerja tiga teknik optimasi hyperparameter: Grid Search, Random Search, dan Bayesian Optimization. Hasil penelitian menunjukkan bahwa Grid Search dan Bayesian Optimization secara konsisten mencapai akurasi tertinggi untuk kedua dataset, dengan rasio data 70:30 memberikan kinerja optimal. Secara spesifik, Grid Search, Random Search, dan Bayesian Optimization mencatat akurasi tertinggi sebesar 0,860 untuk dataset CETESB dan mencatat akurasi tertinggi pada dataset DEQ Water Quality Index dengan Grid Search dan Bayesian Optimization mendapatkan akurasi tertinggi sebesar 0,893. Random Search menunjukkan kinerja yang kompetitif, dengan akurasi sedikit lebih rendah tetapi efisiensi waktu yang jauh lebih baik, menjadikannya pilihan paling praktis untuk skenario dengan sumber daya komputasi yang terbatas. Meskipun Grid Search memberikan hasil yang sangat baik, metode ini membutuhkan waktu komputasi yang besar, sedangkan Bayesian Optimization memberikan hasil keseimbangan antara akurasi tinggi dan efisiensi waktu. Temuan ini menekankan pentingnya hyperparameter tuning dalam meningkatkan kinerja model SVM dan menyoroti perbandingan antara akurasi dan efisiensi komputasi.
Kata Kunci: Machine Learning, SVM, Water Quality Index, Hyperparameter tuning.