Infographic Template Galleries

Created with Fabric.js 1.4.5 AULIA AHMAD * M. IDRUS * JOSHUA BONASUHUL Prediction for Housing Value Data Using Support Vector Machine Diperkenalkan oleh Vapnik (1992)Support Vector Machine memenuhi 3 syarat utamasebuah metode PRRobustnessTheoretically AnalysisFeasibilityPada prinsipnya bekerja sebagai binary classifier. Saat ini tengah dikembangkan untuk multiclass problemStructural-Risk Minimization CRIM (Laju kriminalitas perkapita)ZN (Proporsi penduduk per 25.000 m2)INDUS (Proporsi industri di tiap kota)CHAS (Charles River Dummy (1= dilewati sungai, 0 = lainnya))NOX (Konsentrasi nitrit oksida per 10 juta)RM (Rata-rata jumlah ruangan pertempat tinggal)AGE (Proporsi kepemilikan hunian sebelum 1940)DIS (Bobot jarak ke 5 pusat perkantoran Boston)RAD (Index kemudahan akses menuju jalan tol)TAX (Laju pajak perumahan per 10.000 dollar)PTRATIO (Rasio guru dan murid)B (Proporsi warga kulit hitam)LSTAT (Presentase penduduk miskin) MEDV (Median dari tingkat hunian) Industrialisasi memberikan keuntungan dalam menunjang aktivitas hidup manusia. Namun, di sisi lain industrialisasi juga memberikan dampak negatif bagi kehidupan manusia, salah satunya adalah pencemaran udara. Masalah pencemaran udara menjadi sebuah topik yang penting dan menarik untuk dibicarakan. Makalah ini mencoba untuk menganalisa salah satu faktor penyebab pencemaran udara yaitu lewat oendekatan tingkat hunian perumahan. Seperti yang telah diketahui bahwa, perumahan/rumah tangga memberikan kontribusi terhadap pencemaran udara baik secara langsung.Dalam makalah ini akan dilakukan prediksi terhadap nilai hunian perumahan di Kota Boston Amerika Serikat dengan menggunakan metode support vector machine (SVM). Yes 54 (11%)No 452 (89%) Untuk menilai kombinasi yang memberikan hasil terbaik digunakan 2 ukuran kebaikan model yaitu koefisien korelasi yang telah disesuaikan (R2 Adjusted) dan Mean Absolut Error (MAE). Kolaborasi yang baik adalah yang memiliki R2 Adjusted besar dan MAE kecil. Tampak bahwa hasil terbaik adalah kombinasi saat outlier tidak disertakan dalam analisis dan dengan menggunakan semua atribut dengan nilai R2 Adjusted sebesar 84,2% dan MAE sebesar 3,129. VARIABEL SUPPORT VECTOR MACHINE BACKGROUND STEP ANALYSIS OUTLIER RESULT MODEL
Create Your Free Infographic!