Support Vector Machine (SVM) adalah suatu metode machine learning untuk masalah klasifikasi yang dapat menghasilkan proses pembelajaran, kemudian dipisahkan oleh garis hyperplane menjadi dua kelompok (Hermawan dkk., 2022).
Algoritma metode SVM menggunakan bantuan pemetaan nonlinier, yaitu proses SVM memetakan data ke ruang vektor dengan dimensi yang lebih tinggi. Ruang vektor berdimensi lebih tinggi ini bertugas mencari hyperplane yang akan memisahkan secara linier melalui pemetaan nonlinier. Metode SVM digunakan untuk menyelesaikan masalah linier, tetapi dalam dunia nyata, kasus linier jarang sekali terjadi. Kebanyakan kasus bersifat nonlinier sehingga perlu dilakukan modifikasi pada metode SVM. Salah satu cara untuk memodifikasi metode ini agar dapat digunakan pada kasus nonlinier adalah dengan memasukkan fungsi kernel ke dalam metode SVM (Pratiwi & Setyawan, 2021). SVM sensitif terhadap skala prediktor. Oleh karena itu, standardisasi sangat penting ketika prediktor memiliki satuan atau rentang yang berbeda (Fransiska, 2026).
Konsep SVR adalah untuk memperoleh data-data support vector (Yasin dkk., 2014). SVR menggunakan fungsi kernel dalam proses kerjanya. Pemilihan dan pengaturan fungsi kernel dapat meningkatkan akurasi regresi (Purnama, 2020). Salah satu masalah pada penggunaan metode SVR adalah penentuan parameter model optimal (Saputra dkk., 2019). Support Vector Regression (SVR) merupakan pengembangan prinsip SVM untuk masalah regresi. Jika SVM mencari hyperplane yang memisahkan kelas, SVR mencari fungsi regresi yang cukup datar dan memiliki kesalahan prediksi yang berada dalam batas toleransi tertentu. Toleransi tersebut ditentukan oleh parameter epsilon (\(\varepsilon\)) (Smola & Schölkopf, 2004).
1. Bagaimana memahami konsep dasar Support Vector Machine (SVM) dan Support Vector Regression (SVR) sebagai metode supervised learning untuk klasifikasi dan regresi?
2. Bagaimana memahami konsep hyperplane, margin, support vector, soft margin, dan fungsi kernel pada SVM serta konsep epsilon-insensitive loss dan epsilon-tube pada SVR?
3. Bagaimana mengimplementasikan metode SVM untuk klasifikasi dan SVR untuk regresi menggunakan bahasa pemrograman R?
4. Bagaimana melakukan penyetelan hiperparameter (hyperparameter tuning) berupa cost, gamma, dan epsilon untuk memperoleh konfigurasi model yang sesuai?
5. Bagaimana mengevaluasi performa model SVM dan SVR menggunakan ukuran evaluasi yang sesuai dengan jenis permasalahan klasifikasi dan regresi?
1. Memahami konsep dasar Support Vector Machine (SVM) dan Support Vector Regression (SVR) sebagai metode supervised learning untuk klasifikasi dan regresi.
2. Memahami konsep hyperplane, margin, support vector, soft margin, dan fungsi kernel pada SVM serta konsep epsilon-insensitive loss dan epsilon-tube pada SVR.
3. Mengimplementasikan metode SVM untuk klasifikasi dan SVR untuk regresi menggunakan bahasa pemrograman R.
4. Melakukan penyetelan hiperparameter (hyperparameter tuning) berupa cost, gamma, dan epsilon untuk memperoleh konfigurasi model yang sesuai.
5. Mengevaluasi performa model SVM dan SVR menggunakan ukuran evaluasi yang sesuai dengan jenis permasalahan klasifikasi dan regresi.
Lakukan analisis SVR secara lengkap mulai dari persiapan data, pembagian data training dan testing, pembentukan model, tuning parameter, prediksi, evaluasi, visualisasi, dan interpretasi. Gunakan set.seed(234) agar hasil pembagian data dapat direproduksi.
Lakukan regresi menggunakan Support Vector Regression (SVR)
pada data airquality dengan variabel Ozone
(Y) sebagai respons dan Wind (X) sebagai
prediktor. Lakukan penanganan missing value sebelum membentuk
model. Gunakan e1071::svm() dengan
type = "eps-regression" dan bandingkan kernel linear dan
radial. Untuk kernel radial, lakukan tuning kombinasi
cost = 0.1, 1, 10, 100,
gamma = 0.001, 0.01, 0.1, 1, dan
epsilon = 0.05, 0.10, 0.20, 0.30. Gunakan model terbaik
untuk memprediksi data testing. Bandingkan performa berdasarkan
MSE, RMSE, MAE, dan R², serta gunakan plot aktual versus prediksi dan
residual versus prediksi untuk membantu interpretasi. Jelaskan pengaruh
cost, gamma, dan epsilon terhadap
fleksibilitas dan toleransi kesalahan model, kemudian tentukan kernel
yang memberikan performa terbaik.
Support Vector Machine (SVM) adalah salah satu model machine learning yang mampu melakukan klasifikasi linear ataupun non-linear (Qurniatun & Farihati, 2024). SVM bekerja dengan memisahkan dua himpunan data dari dua kelas yang berbeda melalui pemaksimalan batas fungsi pemisah atau hyperplane (Dasmasela dkk., 2022).
SVM bekerja dengan membangun sebuah hyperplane optimal yang memisahkan dua kelas data dengan margin maksimum (Hasibuan dkk., 2025). Titik-titik data yang berada paling dekat dengan hyperplane disebut sebagai support vector dan berperan penting dalam membentuk fungsi klasifikasi.
SVM dapat digunakan untuk klasifikasi, regresi, dan deteksi outlier. Parameter optimasi yang digunakan pada metode SVM adalah kernel, C, dan gamma. Kernel merupakan algoritma pada SVM yang menggunakan fungsi matematika. C adalah angka yang menunjukkan error penalty dari model SVM. Sementara itu, gamma yang disebut scale akan menyebabkan akurasi model menurun apabila nilainya semakin tinggi dan akan menyebabkan akurasi model meningkat apabila nilainya semakin kecil (Dananjaya dkk., 2023).
SVM bekerja dengan cara mengklasifikasikan perbedaan kelas antara satu kelas dengan kelas lainnya melalui sebuah hyperplane multidimensi (Lomboy & Hernandez, 2021).
Output dari SVR berupa bilangan riil dan kontinu. Tujuan algoritma SVR adalah menemukan garis pemisah atau hyperplane terbaik. Hyperplane terbaik dapat ditemukan dengan cara mengukur margin terhadap hyperplane tersebut. Margin merupakan jarak dari hyperplane ke data terdekat. Data yang paling dekat dengan margin disebut sebagai support vector (Maulana dkk., 2019).
SVR merupakan modifikasi dari Support Vector Machine (SVM) yang digunakan untuk pendekatan regresi (Boser dkk., 1992). SVR juga dapat digunakan untuk melakukan prediksi pada data deret waktu yang berpola non-linear. SVR memiliki keunggulan dalam mengatasi permasalahan data non-linear menggunakan trik kernel (Purnama, 2021). Terdapat parameter SVR, yaitu gamma (𝛾), cost (C), dan epsilon (𝜀), yang nilai optimalnya ditentukan menggunakan metode grid search. Grid search merupakan kombinasi parameter yang diujikan pada suatu model SVR untuk mencari nilai error dalam klasifikasi (Hsu dkk., 2016). Parameter SVR dan fungsi kernel pada model SVR harus diatur dengan tepat karena dapat memengaruhi akurasi regresi (Purnama, 2021).
SVR memanfaatkan fungsi kernel untuk memetakan data ke ruang berdimensi lebih tinggi sehingga hubungan kompleks antarvariabel dapat dimodelkan secara optimal (Bachri dkk., 2026).
Hyperplane adalah pemisah terbaik antara dua kelas yang diperoleh dengan cara mengukur margin hyperplane, yaitu data terdekat dari masing-masing kelas, yang kemudian dapat dicari titik maksimalnya (Putra dkk., 2020). Untuk menentukan hyperplane, diperlukan proses memaksimalkan margin antara dua kelas (Qurniatun & Farihati, 2024).
\[ 𝑤^T𝑥+𝑏=0 \] dengan 𝑤adalah vektor bobot dan 𝑏adalah bias.
Margin adalah jarak antara hyperplane dan titik data terdekat dari dua kelas. Jarak hyperplane untuk sebuah titik \(x_i\) adalah:
\[ \dfrac{|w^T x_i+b|}{\|w\|} \] dengan meminimalkan \(‖𝑤‖\), margin dapat dimaksimalkan sehingga data dapat terklasifikasi dengan benar (Qurniatun & Farihati, 2024).
Nilai support vector akan memengaruhi tingkat akurasi dalam menentukan metode yang lebih baik. Beberapa peneliti menyebutkan bahwa semakin tinggi jumlah support vector, semakin tinggi pula tingkat keakuratan yang dihasilkan. Parameter lain selain support vector yang memengaruhi tingkat akurasi adalah cost (Pratiwi & Setyawan, 2021).
Support vector juga dapat dianggap sebagai objek-objek data terluar yang paling dekat dengan hyperplane. Support vector inilah yang dihitung oleh SVM (Fauzan dkk., 2025).
Hard margin digunakan ketika data benar-benar dapat dipisahkan secara linier tanpa kesalahan. Persoalan optimasi hard-margin SVM dapat ditulis sebagai:
\[\min_{w,b}\frac{1}{2}\|w\|^{2},\]
dengan kendala:
\[y_{i}(w^{T}x_{i}+b)\ge 1\]
\[i=1,2,\dots,n\]
Pada data nyata, kelas sering saling tumpang tindih atau mengandung pencilan sehingga pemisahan sempurna tidak realistis. Soft margin memperkenalkan slack variable \(\xi_{i}\) untuk memberi toleransi terhadap pelanggaran margin. Fungsi objektifnya menjadi:
\[\min_{w,b,\xi}\frac{1}{2}\|w\|^{2}+C\sum_{i=1}^{n}\xi_{i},\]
dengan kendala:
\[y_{i}(w^{T}x_{i}+b)\ge 1-\xi_{i}\]
\[\xi_{i}\ge 0\]
Parameter C (cost) mengendalikan kompromi antara margin yang lebar dan penalti kesalahan. Nilai cost yang besar memberi penalti kuat terhadap pelanggaran margin sehingga model lebih ketat mengikuti data training. Nilai cost yang kecil memberi toleransi lebih besar terhadap pelanggaran dan menghasilkan regularisasi yang lebih kuat (Fransiska, 2026).
Fungsi kernel digunakan dalam berbagai algoritma machine learning, seperti Support Vector Machine (SVM) dan Support Vector Regression (SVR). Pemilihan fungsi kernel yang sesuai penting untuk diperhatikan karena fungsi kernel menentukan fitur baru di lokasi hyperplane yang nantinya akan dicari (Subiyanto dkk., 2023). Persamaan kernel yang digunakan pada metode Support Vector Regression (SVR) dapat dilihat sebagai berikut (Sudarmin dkk., 2025):
\[ \begin{aligned} 1)\quad & \text{Linear} &&: K(x_i,x_j)=K(x_i^T x_j) \\[6pt] 2)\quad & \text{Polynomial} &&: K(x_i,x_j)=(x_i x_j+1)^P, \\ &&& P=1,2,3,\ldots,n \text{ dengan } P \text{ adalah derajat polinomial} \\[6pt] 3)\quad & \text{Radial Basis Function (RBF)} &&: K(x_i,x_j)=\exp\left(-\gamma(x_i-x_j)^2\right) \\[6pt] 4)\quad & \text{Sigmoid} &&: K(x_i,x_j)=\tan\left(\gamma(x_i-x_j)+c\right) \end{aligned} \]
Jika hubungan antar kelas tidak dapat dipisahkan secara linear pada ruang input, SVM menggunakan kernel trick. Kernel menghitung inner product pada ruang fitur yang lebih tinggi tanpa harus membentuk transformasi fitur tersebut secara eksplisit. Hal ini memungkinkan SVM membentuk batas keputusan nonlinier dengan tetap menggunakan kerangka optimasi yang sama (Vapnik, 1998; Chang & Lin, 2011).
Kernel linear cocok ketika hubungan antar kelas relatif linier. Kernel radial (RBF) merupakan pilihan umum ketika batas keputusan bersifat nonlinier. Parameter gamma mengatur jangkauan pengaruh suatu observasi. Gamma yang besar menghasilkan pengaruh yang lebih lokal dan batas keputusan yang lebih fleksibel, sedangkan gamma yang kecil menghasilkan batas yang lebih halus (Fransiska, 2026).
Kernel linear cocok ketika hubungan antar kelas relatif linier. Kernel radial (RBF) merupakan pilihan umum ketika batas keputusan bersifat nonlinier. Parameter gamma mengatur jangkauan pengaruh suatu observasi. Gamma yang besar menghasilkan pengaruh yang lebih lokal dan batas keputusan yang lebih fleksibel, sedangkan gamma yang kecil menghasilkan batas yang lebih halus.
Untuk kasus linier, fungsi regresi SVR dituliskan sebagai:
\[f(x)=w^{T}x+b\] ## 2.6 Epsilon-Insensitive Loss dan Epsilon-Tube
SVR menggunakan epsilon-insensitive loss, yaitu kesalahan yang masih berada di dalam jarak \(\varepsilon\) dari fungsi regresi tidak diberi penalti. Secara matematis:
\[L_{\varepsilon}(y,f(x))=\max\{0,|y-f(x)|-\varepsilon\}\]
Dengan demikian, observasi yang berada di dalam epsilon-tube memiliki loss nol. Hanya penyimpangan yang melampaui batas epsilon yang dikenai penalti. Nilai epsilon yang lebih besar memperlebar daerah toleransi dan biasanya mengurangi jumlah support vector, sedangkan nilai epsilon yang lebih kecil membuat model lebih sensitif terhadap penyimpangan kecil.
Sebelum membuat model prediksi menggunakan metode SVR, dilakukan tuning parameter terlebih dahulu untuk memperoleh parameter yang optimal dalam membangun model. Tuning parameter dilakukan pada parameter yang dimiliki oleh setiap kernel pada algoritma SVR. Proses untuk mendapatkan parameter optimum pada fungsi kernel dilakukan dengan menggunakan algoritma grid search.
Tuning parameter bertujuan untuk menentukan nilai parameter optimal untuk membuat model prediksi terbaik. Proses tuning parameter dilakukan pada parameter yang dimiliki oleh setiap kernel pada model SVR dengan menentukan beberapa nilai dari parameter tersebut.
Tuning parameter dilakukan tiga kali untuk setiap kernel yang berbeda menggunakan fungsi GridSearchCV. Grid search yang digunakan disesuaikan dengan kernel yang dipakai pada pemodelan. Untuk kernel linear, grid search digunakan untuk mencari C dan \(\varepsilon\) paling optimal. Nilai C yang terlalu besar tidak memerhatikan perubahan maksimum margin sehingga menghasilkan error yang konstan, sebaliknya, nilai C yang terlalu kecil terlalu memerhatikan nilai penalti dalam SVR. Sementara itu, nilai \(\varepsilon\) yang kecil membuat toleransi error yang dibatasi kecil, sebaliknya, nilai \(\varepsilon\) yang besar menghasilkan toleransi error yang dibatasi besar. Pada kernel polinomial, grid search digunakan untuk mencari C, \(\varepsilon\), \(\gamma\) (gamma) dan d (degree) paling optimal. Pada kernel Radial Basis Function (RBF), grid search digunakan untuk mencari C dan \(\gamma\) yang optimal. Parameter \(\gamma\) menentukan besarnya pengaruh dari setiap titik data dalam pemetaan ruang input ke dimensi yang lebih tinggi (Hermawan dkk., 2022).
Evaluasi dilakukan pada data testing yang tidak digunakan dalam pembentukan model. Untuk SVM klasifikasi, ukuran evaluasi yang digunakan sama dengan metode klasifikasi pada pertemuan sebelumnya, yaitu confusion matrix, Accuracy, Precision, Recall/Sensitivity, Specificity, F1-Score, dan ROC-AUC. Untuk SVR, ukuran evaluasi yang digunakan adalah MSE, RMSE, MAE, dan R². Rumus ukuran evaluasi tidak diulang karena telah dibahas pada pertemuan sebelumnya. Pemilihan model tidak dilakukan hanya berdasarkan performa training. Parameter SVM/SVR sebaiknya ditentukan melalui cross-validation pada data training, kemudian performa akhir dilaporkan menggunakan data testing yang sama untuk setiap model yang dibandingkan (Fransiska, 2026).
Jenis data yang digunakan adalah data kuantitatif dengan sumber data
sekunder. Data sekunder merupakan data yang diperoleh dari sumber yang
telah tersedia atau dikumpulkan oleh pihak lain. Sumber data yang
digunakan dalam praktikum ini adalah dataset
airquality yang tersedia dalam program RStusio.
Dataset dengan memanggil fungsi
data(airquality).
Variabel yang digunakan pada penelitian ini terdiri atas variabel prediktor dan variabel respons. Variabel respons dalam penelitian ini adalah Ozone, yaitu data numerik kontinu yang mengukur kadar ozon rata-rata harian dengan satuan parts per billion (ppb). Sedangkan variabel prediktor adalah Wind, yaitu pengukuran numerik kontinu atas kecepatan angin rata-rata dengan satuan mil per jam (mph).
Adapun tahapan analisis data yang dilakukan adalah sebagai berikut:
airquality dan pilih
variabel Ozone sebagai respons (Y) dan Wind sebagai prediktor (X).na.omit().set.seed(234).##
## Attaching package: 'ggplot2'
## The following object is masked from 'package:e1071':
##
## element
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(knitr)
data("airquality")
# Mengambil variabel Ozone dan Wind
data_svr <- airquality[, c("Ozone", "Wind")]
# Menghapus missing value
data_svr <- na.omit(data_svr)
# Melihat struktur data
str(data_svr)## 'data.frame': 116 obs. of 2 variables:
## $ Ozone: int 41 36 12 18 28 23 19 8 7 16 ...
## $ Wind : num 7.4 8 12.6 11.5 14.9 8.6 13.8 20.1 6.9 9.7 ...
## - attr(*, "na.action")= 'omit' Named int [1:37] 5 10 25 26 27 32 33 34 35 36 ...
## ..- attr(*, "names")= chr [1:37] "5" "10" "25" "26" ...
## Ozone Wind
## Min. : 1.00 Min. : 2.300
## 1st Qu.: 18.00 1st Qu.: 7.400
## Median : 31.50 Median : 9.700
## Mean : 42.13 Mean : 9.862
## 3rd Qu.: 63.25 3rd Qu.:11.500
## Max. :168.00 Max. :20.700
Dataset airquality menggunakan Ozone sebagai variabel respons (Y) dan Wind sebagai variabel prediktor (X). Setelah 37 observasi yang memiliki missing value dihapus, diperoleh 116 observasi. Hasil statistik deskriptif menunjukkan bahwa kadar Ozone memiliki rata-rata 42,13, dengan nilai berkisar antara 1–168. Kecepatan angin (Wind) memiliki rata-rata 9,862, dengan rentang 2,30–20,70. Nilai rata-rata Ozone yang lebih tinggi daripada mediannya yaitu 31,50 menunjukkan bahwa sebaran data cenderung menceng ke kanan. Sebaliknya, rata-rata Wind yang mendekati mediannya 9,70 menunjukkan bahwa kedua ukuran pemusatan relatif seimbang. Data tersebut selanjutnya digunakan untuk membangun model SVR guna memprediksi kadar Ozone berdasarkan kecepatan angin.
# Pembagian data training dan testing
set.seed(234)
indeks <- sample(
seq_len(nrow(data_svr)),
size = floor(0.8 * nrow(data_svr))
)
aq.train <- data_svr[indeks, ]
aq.test <- data_svr[-indeks, ]
# Memeriksa jumlah data
nrow(aq.train)## [1] 92
## [1] 24
Pembagian data dilakukan secara acak menggunakan perbandingan 80%
data training dan 20% data testing dengan
set.seed(234) agar hasil pembagian tetap konsisten. Dari
total 116 observasi, diperoleh 92 data training untuk membangun
model SVR dan 24 data testing untuk menguji kemampuan prediksi
model pada data baru.
svr.linear <- e1071::svm(
Ozone ~ Wind,
data = aq.train,
type = "eps-regression",
kernel = "linear",
cost = 1,
epsilon = 0.1,
scale = TRUE
)
summary(svr.linear)##
## Call:
## svm(formula = Ozone ~ Wind, data = aq.train, type = "eps-regression",
## kernel = "linear", cost = 1, epsilon = 0.1, scale = TRUE)
##
##
## Parameters:
## SVM-Type: eps-regression
## SVM-Kernel: linear
## cost: 1
## gamma: 1
## epsilon: 0.1
##
##
## Number of Support Vectors: 86
Model SVR menggunakan kernel linear menghasilkan 86 support vectors dari 92 data training. Artinya, 86 observasi berperan sebagai titik pendukung yang digunakan untuk menentukan model regresi untuk memprediksi kadar Ozone berdasarkan kecepatan angin (Wind). Nilai cost sebesar 1 memberikan penalti terhadap kesalahan prediksi, sedangkan epsilon sebesar 0,1 membatasi toleransi kesalahan sehingga model lebih sensitif terhadap penyimpangan prediksi. Sementara itu, gamma tidak berpengaruh pada kernel linear.
svr.reg <- e1071::svm(
Ozone ~ Wind,
data = aq.train,
type = "eps-regression",
kernel = "radial",
cost = 1,
gamma = 1,
epsilon = 0.1,
scale = TRUE
)
summary(svr.reg)##
## Call:
## svm(formula = Ozone ~ Wind, data = aq.train, type = "eps-regression",
## kernel = "radial", cost = 1, gamma = 1, epsilon = 0.1, scale = TRUE)
##
##
## Parameters:
## SVM-Type: eps-regression
## SVM-Kernel: radial
## cost: 1
## gamma: 1
## epsilon: 0.1
##
##
## Number of Support Vectors: 78
Model SVR menggunakan kernel radial menghasilkan 78 support vectors dari 92 data training. Artinya, 78 observasi berperan sebagai titik pendukung yang digunakan untuk menentukan model regresi untuk memprediksi kadar Ozone berdasarkan kecepatan angin (Wind). Nilai cost = 1 menunjukkan tingkat penalti kesalahan yang digunakan model, sehingga model tetap mempertimbangkan kesalahan prediksi saat proses pembentukan model. Nilai gamma = 1 mengatur jangkauan pengaruh setiap observasi dan memungkinkan model menangkap pola nonlinier. Nilai epsilon = 0,1 menunjukkan toleransi kesalahan prediksi yang relatif sempit, sehingga model lebih sensitif terhadap penyimpangan prediksi. Kombinasi ketiga parameter tersebut menentukan fleksibilitas model dalam mengikuti pola data dan tingkat toleransi terhadap kesalahan prediksi.
set.seed(234)
tuning <- e1071::tune(
svm,
Ozone ~ Wind,
data = aq.train,
type = "eps-regression",
kernel = "radial",
ranges = list(
cost = c(0.1, 1, 10, 100),
gamma = c(0.001, 0.01, 0.1, 1),
epsilon = c(0.05, 0.10, 0.20, 0.30)
),
tunecontrol = tune.control(
sampling = "cross",
cross = 5
)
)
# Menampilkan hasil tuning
summary(tuning)##
## Parameter tuning of 'svm':
##
## - sampling method: 5-fold cross validation
##
## - best parameters:
## cost gamma epsilon
## 10 0.1 0.05
##
## - best performance: 538.8207
##
## - Detailed performance results:
## cost gamma epsilon error dispersion
## 1 0.1 0.001 0.05 1192.0583 353.5293
## 2 1.0 0.001 0.05 1103.7928 323.3039
## 3 10.0 0.001 0.05 808.7833 206.1270
## 4 100.0 0.001 0.05 678.9388 181.1211
## 5 0.1 0.010 0.05 1108.0538 324.9014
## 6 1.0 0.010 0.05 806.6110 206.7706
## 7 10.0 0.010 0.05 633.6031 185.5103
## 8 100.0 0.010 0.05 615.6773 213.3632
## 9 0.1 0.100 0.05 832.8210 219.4593
## 10 1.0 0.100 0.05 629.9764 197.3487
## 11 10.0 0.100 0.05 538.8207 246.7473
## 12 100.0 0.100 0.05 547.4649 253.9634
## 13 0.1 1.000 0.05 674.5703 222.1211
## 14 1.0 1.000 0.05 577.8238 236.7130
## 15 10.0 1.000 0.05 589.2131 249.7579
## 16 100.0 1.000 0.05 617.1454 275.8052
## 17 0.1 0.001 0.10 1183.6808 352.2990
## 18 1.0 0.001 0.10 1096.5788 320.1723
## 19 10.0 0.001 0.10 785.8147 197.4855
## 20 100.0 0.001 0.10 683.1197 170.4608
## 21 0.1 0.010 0.10 1098.2632 320.5318
## 22 1.0 0.010 0.10 778.7105 191.8305
## 23 10.0 0.010 0.10 644.9375 177.3724
## 24 100.0 0.010 0.10 593.5403 220.0637
## 25 0.1 0.100 0.10 815.3672 205.4075
## 26 1.0 0.100 0.10 613.2590 187.1651
## 27 10.0 0.100 0.10 546.3035 247.2535
## 28 100.0 0.100 0.10 555.8811 247.4404
## 29 0.1 1.000 0.10 682.8983 221.8317
## 30 1.0 1.000 0.10 572.5959 228.3735
## 31 10.0 1.000 0.10 579.2777 256.0807
## 32 100.0 1.000 0.10 604.4370 268.3395
## 33 0.1 0.001 0.20 1161.3327 342.9909
## 34 1.0 0.001 0.20 1085.9422 321.9068
## 35 10.0 0.001 0.20 793.3426 201.8476
## 36 100.0 0.001 0.20 677.0840 170.6024
## 37 0.1 0.010 0.20 1089.1470 322.2618
## 38 1.0 0.010 0.20 792.9980 202.1405
## 39 10.0 0.010 0.20 650.3484 171.6306
## 40 100.0 0.010 0.20 564.9180 210.0830
## 41 0.1 0.100 0.20 819.6488 218.2390
## 42 1.0 0.100 0.20 597.4368 180.7714
## 43 10.0 0.100 0.20 548.8053 239.0899
## 44 100.0 0.100 0.20 563.4737 230.4802
## 45 0.1 1.000 0.20 698.2377 220.0853
## 46 1.0 1.000 0.20 577.1969 229.2815
## 47 10.0 1.000 0.20 577.4388 274.7828
## 48 100.0 1.000 0.20 618.4332 308.3382
## 49 0.1 0.001 0.30 1126.7302 329.1276
## 50 1.0 0.001 0.30 1053.9013 302.2887
## 51 10.0 0.001 0.30 794.8491 205.5477
## 52 100.0 0.001 0.30 679.5651 169.2213
## 53 0.1 0.010 0.30 1056.9221 303.1959
## 54 1.0 0.010 0.30 790.1421 203.9278
## 55 10.0 0.010 0.30 626.6177 163.3716
## 56 100.0 0.010 0.30 562.7283 206.3602
## 57 0.1 0.100 0.30 812.5068 221.0981
## 58 1.0 0.100 0.30 574.0725 182.4202
## 59 10.0 0.100 0.30 544.4710 239.2510
## 60 100.0 0.100 0.30 571.8944 209.7943
## 61 0.1 1.000 0.30 690.8272 210.6719
## 62 1.0 1.000 0.30 567.1194 214.9764
## 63 10.0 1.000 0.30 557.5460 258.0018
## 64 100.0 1.000 0.30 607.2651 310.3026
# Mengambil model terbaik
svr.best <- tuning$best.model
# Menampilkan parameter terbaik
tuning$best.parameters## cost gamma epsilon
## 11 10 0.1 0.05
Proses tuning menggunakan metode 5-fold cross validation untuk mencari kombinasi parameter terbaik dari 64 kombinasi yang diuji. Hasil menunjukkan bahwa kombinasi terbaik diperoleh pada cost = 10, gamma = 0,1, dan epsilon = 0,05 dengan nilai error sebesar 538,8207. Artinya, kombinasi tersebut menghasilkan kesalahan prediksi rata-rata paling rendah dibandingkan kombinasi lainnya.
Nilai cost = 10 memberikan penalti lebih besar terhadap kesalahan prediksi, gamma = 0,1 mengatur jangkauan pengaruh observasi agar model dapat menangkap pola nonlinier, sedangkan epsilon = 0,05 memberikan toleransi kesalahan yang lebih kecil. Kombinasi parameter tersebut dipilih sebagai model terbaik karena menghasilkan nilai error terendah pada proses validasi.
# Prediksi data testing
pred_test <- list(
"Radial awal" = as.numeric(predict(svr.reg, newdata = aq.test)),
"Radial hasil tuning" = as.numeric(predict(svr.best, newdata = aq.test)),
"Linear" = as.numeric(predict(svr.linear, newdata = aq.test))
)
# Prediksi data training
pred_train <- list(
"Radial awal" = as.numeric(predict(svr.reg, newdata = aq.train)),
"Radial hasil tuning" = as.numeric(predict(svr.best, newdata = aq.train)),
"Linear" = as.numeric(predict(svr.linear, newdata = aq.train))
)tabel_test <- do.call(rbind, lapply(names(pred_test), function(n) {
cbind(
Model = n,
hitung_metrik(aq.test$Ozone, pred_test[[n]])
)
}))
tabel_train <- do.call(rbind, lapply(names(pred_train), function(n) {
cbind(
Model = n,
hitung_metrik(aq.train$Ozone, pred_train[[n]])
)
}))
rownames(tabel_test) <- NULL
rownames(tabel_train) <- NULL
# Evaluasi data testing
knitr::kable(
tabel_test,
digits = 4,
align = "c",
caption = "Metrik Evaluasi pada Data Testing"
)| Model | MSE | RMSE | MAE | R2 |
|---|---|---|---|---|
| Radial awal | 1014.3006 | 31.8481 | 23.9344 | 0.1783 |
| Radial hasil tuning | 895.8496 | 29.9307 | 22.5604 | 0.2742 |
| Linear | 1015.2339 | 31.8627 | 22.1385 | 0.1775 |
Berdasarkan hasil evaluasi data testing, model SVR Radial hasil tuning menghasilkan nilai MSE sebesar 895,8496, RMSE sebesar 29,9307, MAE sebesar 22,5604, dan R² sebesar 0,2742. Model ini memiliki nilai MSE dan RMSE paling kecil serta R² paling besar dibandingkan model Radial awal dan Linear. Artinya, model Radial hasil tuning memiliki tingkat kesalahan prediksi yang lebih kecil berdasarkan MSE dan RMSE serta mampu menjelaskan 27,42% variasi kadar Ozone berdasarkan variabel Wind. Sementara, model Linear menghasilkan MAE paling rendah sebesar 22,1385, yang menunjukkan bahwa rata-rata kesalahan absolut prediksinya lebih kecil dibandingkan kedua model lainnya.
# Evaluasi data training
knitr::kable(
tabel_train,
digits = 4,
align = "c",
caption = "Metrik Evaluasi pada Data Training"
)| Model | MSE | RMSE | MAE | R2 |
|---|---|---|---|---|
| Radial awal | 519.9270 | 22.8019 | 15.9241 | 0.4976 |
| Radial hasil tuning | 516.4023 | 22.7245 | 16.2322 | 0.5010 |
| Linear | 643.3748 | 25.3648 | 20.2081 | 0.3784 |
Berdasarkan hasil evaluasi data training, model SVR Radial hasil tuning menghasilkan nilai MSE sebesar 516,4023, RMSE sebesar 22,7245, MAE sebesar 16,2322, dan R² sebesar 0,5010. Hasil tersebut menunjukkan bahwa model Radial hasil tuning memiliki nilai MSE dan RMSE paling kecil serta R² paling besar dibandingkan model Radial awal dan Linear. Artinya, model mampu menjelaskan 50,10% variasi kadar Ozone berdasarkan variabel Wind pada data training. Sementara itu, model Radial awal menghasilkan R² sebesar 0,4976, sedangkan model Linear menghasilkan R² sebesar 0,3784. Berdasarkan hasil tersebut, model Radial hasil tuning menunjukkan performa terbaik pada data training.
RMSE.linear <- tabel_test$RMSE[
tabel_test$Model == "Linear"
]
RMSE.radial <- tabel_test$RMSE[
tabel_test$Model == "Radial hasil tuning"
]
perbandingan.kernel.reg <- data.frame(
Kernel = c("Linear", "Radial"),
RMSE = c(RMSE.linear, RMSE.radial)
)
knitr::kable(
perbandingan.kernel.reg,
digits = 4,
align = "c",
caption = "Perbandingan Kernel Linear dan Radial"
)| Kernel | RMSE |
|---|---|
| Linear | 31.8627 |
| Radial | 29.9307 |
Berdasarkan hasil perbandingan kernel Linear dan Radial pada data testing, kernel Radial menghasilkan nilai RMSE sebesar 29,9307, sedangkan kernel Linear menghasilkan RMSE sebesar 31,8627. Nilai RMSE kernel Radial memiliki tingkat kesalahan prediksi lebih kecil dibandingkan kernel Linear. Hasil tersebut menunjukkan bahwa kernel Radial memberikan performa prediksi yang lebih baik dalam memodelkan hubungan antara kecepatan angin (Wind) dan kadar Ozone dibandingkan kernel Linear.
ap_df <- do.call(rbind, lapply(names(pred_test), function(n) {
data.frame(
Model = n,
Aktual = aq.test$Ozone,
Prediksi = pred_test[[n]]
)
}))
ap_df$Model <- factor(
ap_df$Model,
levels = names(pred_test)
)
ggplot(ap_df, aes(x = Aktual, y = Prediksi)) +
geom_point(color = "blue", alpha = 0.8) +
geom_abline(
intercept = 0,
slope = 1,
linetype = "dashed",
color = "red"
) +
facet_wrap(~ Model) +
labs(
title = "Aktual vs Prediksi pada Data Testing",
x = "Nilai Aktual Ozone",
y = "Nilai Prediksi Ozone"
) +
theme_minimal()Berdasarkan grafik aktual vs prediksi pada data testing, model Radial awal dan Radial hasil tuning menunjukkan sebagian besar nilai prediksi terkonsentrasi pada kisaran rendah, meskipun nilai aktual cukup bervariasi. Kondisi tersebut menunjukkan bahwa kedua model cenderung menghasilkan prediksi lebih rendah daripada nilai aktual, terutama pada kadar Ozone yang tinggi. Sementara, model Linear menunjukkan sebaran prediksi yang lebih bervariasi, tetapi masih terdapat beberapa titik yang menyimpang dari garis ideal. Secara keseluruhan, model Radial hasil tuning memiliki performa terbaik karena menghasilkan nilai RMSE terendah sebesar 29,9307 dibandingkan kedua model lainnya.
res_df <- ap_df %>%
mutate(Residual = Aktual - Prediksi)
ggplot(res_df, aes(x = Prediksi, y = Residual)) +
geom_point(color = "blue", alpha = 0.8) +
geom_hline(
yintercept = 0,
linetype = "dashed",
color = "red"
) +
facet_wrap(~ Model) +
labs(
title = "Residual vs Prediksi pada Data Testing",
x = "Nilai Prediksi Ozone",
y = "Residual"
) +
theme_minimal()Berdasarkan grafik residual vs prediksi pada data testing, ketiga model menunjukkan residual yang tersebar di atas dan di bawah garis nol, tetapi belum merata di sekitar garis tersebut. Masih terdapat beberapa residual dengan penyimpangan yang cukup besar, terutama pada model Linear. Hal ini menunjukkan bahwa ketiga model masih menghasilkan kesalahan prediksi pada beberapa observasi. Meskipun demikian, model Radial hasil tuning memiliki performa terbaik berdasarkan nilai RMSE terendah sebesar 29,9307.
Support Vector Machine (SVM) merupakan metode supervised learning yang digunakan untuk klasifikasi dengan membentuk hyperplane optimal yang memaksimalkan margin. Sementara itu, Support Vector Regression (SVR) merupakan pengembangan SVM untuk permasalahan regresi yang menghasilkan prediksi berupa nilai kontinu. Konsep penting pada SVM meliputi hyperplane, margin, support vector, hard margin, soft margin, dan fungsi kernel. Adapun SVR menggunakan konsep epsilon-insensitive loss dan epsilon-tube untuk mengatur toleransi kesalahan prediksi. Performa model dipengaruhi oleh pemilihan kernel dan pengaturan parameter, seperti cost, gamma, dan epsilon, yang dapat dioptimalkan melalui proses hyperparameter tuning.
Berdasarkan hasil batasan masalah, SVR pada dataset
airquality, dengan Ozone sebagai variabel respons dan Wind
sebagai variabel prediktor, diperoleh 116 observasi setelah penanganan
missing value. Data dibagi menjadi 92 observasi
training dan 24 observasi testing. Hasil
tuning menggunakan metode 5-fold cross validation
menghasilkan kombinasi parameter terbaik, yaitu cost = 10,
gamma = 0,1, dan epsilon = 0,05. Berdasarkan evaluasi,
model SVR kernel Radial hasil tuning memberikan performa terbaik
dibandingkan model Radial awal dan Linear, dengan nilai RMSE sebesar
29,9307 dan R² sebesar 0,2742 pada data testing. Hasil perbandingan
kernel juga menunjukkan bahwa Radial lebih baik daripada Linear yang
menghasilkan RMSE sebesar 31,8627. Meskipun demikian, nilai R²
menunjukkan bahwa kemampuan model menjelaskan variasi kadar Ozone masih
terbatas. Grafik aktual vs prediksi dan residual vs prediksi juga
menunjukkan bahwa masih terdapat beberapa hasil prediksi yang menyimpang
dari nilai aktual.
Berdasarkan hasil praktikum yang telah dilakukan, disarankan untuk menggunakan variabel prediktor tambahan yang berpotensi memengaruhi kadar Ozone agar model dapat menjelaskan variasi data dengan lebih baik. Selain itu, pengujian terhadap kombinasi parameter dan jenis kernel lainnya perlu dilakukan untuk memperoleh performa prediksi yang lebih optimal.
Bachri, S., Putra, A. A., Hanif, J. A., Ardiano, M. R., Izma, M. A., & Tundjungsari, V. (2026). Prediksi indeks kualitas udara ozon (ISPU O3) menggunakan Random Forest dan regresi vektor dukungan: Studi perbandingan pada data tahun 2022. JATI (Jurnal Mahasiswa Teknik Informatika), 10(2), 1979–1983.
Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992). A training algorithm for optimal margin classifiers. In Proceedings of the fifth annual workshop on Computational Learning Theory (pp. 144–152).
Dananjaya, R. H., Sutrisno, & Rahmawati, N. M. D. (2023). Akurasi penggunaan metode Support Vector Machine (SVM) dalam prediksi kapasitas dukung fondasi tiang. Jurnal Matriks Teknik Sipil, 11(2), 128–135. https://doi.org/10.20961/mateksi.v11i2
Das, B., Nair, B., Reddy, V. K., & Venkatesh, P. (2018). Evaluation of multiple linear, neural network and penalised regression models for prediction of rice yield based on weather parameters for west coast of India. International Journal of Biometeorology, 62(10), 1809–1822.
Dasmasela, R., Tomasouw, B. P., & Leleury, Z. A. (2022). Penerapan metode Support Vector Machine (SVM). Parameter: Jurnal Matematika, Statistika dan Terapannya, 1(2), 111–122. https://doi.org/10.30598/parameterv1i2pp111-122
Fausett, L. V. (2007). Fundamentals of neural networks: Architectures, algorithms, and applications. Prentice Hall.
Fauzan, M. R., Anraeni, S., & Imawan, L. B. (2025). Analisis sentimen tweet netizen terhadap Timnas Sepak Bola Indonesia di era Shin Tae-Yong menggunakan algoritma Support Vector Machine (SVM). Literatur Informatika & Komputer, 2(3), 329–340. https://doi.org/10.33096/linier.v2i3.3144
Fei, J., & Lu, C. (2018). Adaptive sliding mode control of dynamic systems using double loop recurrent neural network structure, 29(4).
Fransiska, H. (2026). Modul praktikum machine learning and modern prediction. Universitas Bengkulu.
Hamid, N. A., Nawi, N. M., Ghazali, R., & Salleh, M. N. M. (2011). Accelerating learning performance of back propagation algorithm by using adaptive gain together with adaptive momentum and adaptive learning rate on classification problems. International Journal of Software Engineering and Its Applications, 5(4), 31–44.
Haryanto. (2020). Analisis parameter jaringan saraf tiruan menggunakan metode backpropagation pada pengenalan pola angka. METIK: Jurnal Informatika, 4(2). https://journal.universitasmulia.ac.id/index.php/metik/article/view/183/163
Hasanah, S. H. (2019). Perbandingan metode klasifikasi artificial neural network backpropagation dan regresi logistik (Studi kasus: Bank Internasional Indonesia). STATMAT: Jurnal Statistika dan Matematika, 1(1), 44–62.
Hasibuan, R. A., Afendi, F. M., & Wigena, A. H. (2025). Perbandingan metode Particle Swarm Optimization dan Artificial Bee Colony pada Support Vector Machine. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 11(1), 158–168.
Hermawan, A., Mangku, I. W., Ardana, N. K. K., & Sumarno, H. (2022). Analisis Support Vector Regression dengan algoritma grid search untuk memprediksi harga saham. MILANG, 18(1), 41–60. https://journal.ipb.ac.id/jmap/article/view/41435/23872
Hertanto, I., Wulan, R., Mahida, L. R., Meilano, D. R., & Setiawan, P. A. (2025). Implementasi jaringan syaraf tiruan backpropagation untuk peramalan penjualan pada PT. Central Pacific Development. SKANIKA: Sistem Komputer dan Teknik Informatika, 8(2), 364–376.
Hsu, C. W., Chang, C. C., & Lin, C. J. (2016). A practical guide to support vector classification. Department of Computer Science, National Taiwan University.
Jayapranata, W. S., Intan, R., & Liliana. (2021). Electrocardiogram biometrics recognition menggunakan artificial neural network. Jurnal Infra, 9(1), 141–147. https://publication.petra.ac.id/index.php/teknik-informatika/article/view/10936
Krestinskaya, O., Salama, K. N., & James, A. P. (2019). Learning in memristive neural network architectures using analog backpropagation circuits. IEEE Transactions on Circuits and Systems I: Regular Papers, 66(2), 719–732.
Lomboy, K. E. & Hernandez, R. M. (2021). A comparative performance of breast cancer classification using hyper-parameterized machine learning models. International Journal of Advanced Technology and Engineering Exploration. doi:10.19101/IJATEE.2021.874380
Maulana, N. D., Setiawan, B. D., & Dewi, C. (2019). Implementasi metode Support Vector Regression (SVR) dalam peramalan penjualan roti (studi kasus: Harum Bakery). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(3). http://j-ptiik.ub.ac.id
Nurdiawan, O., Fathurrohman, F., & Faqih, A. (2024). Optimisasi model backpropagation untuk meningkatkan deteksi kejang epilepsi pada sinyal electroencephalogram. Information System for Educators and Professionals: Journal of Information System, 9(2), 151–160. https://doi.org/10.51211/isbi.v9i2.3187
Pratiwi, N., & Setyawan, Y. (2021). Analisis akurasi dari perbedaan fungsi kernel dan cost pada Support Vector Machine: Studi kasus klasifikasi curah hujan di Jakarta. Journal of Fundamental Mathematics and Applications, 4(2), 203–212.
Purnama, D. I. (2020). Peramalan jumlah penumpang datang melalui transportasi udara di Sulawesi Tengah menggunakan Support Vector Regression (SVR). Jurnal Ilmiah Matematika dan Terapan, 17(1), 109–117. https://doi.org/10.22487/2540766X.2020.v17.i1.15186
Purnama, D. I. (2021). Peramalan harga emas saat pandemi COVID-19 menggunakan model hybrid Autoregressive Integrated Moving Average–Support Vector Regression. Jambura Journal of Mathematics, 3(1), 52–65. https://doi.org/10.34312/jjom.v3i1.8430
Putra, A. D. E., Nihmah, A. H., Harin, A., & Syaifuddin, A. (2025). Penerapan neural network backpropagation dalam peramalan produksi ubi jalar tahunan. SUBMIT (Jurnal Ilmiah Teknologi Informasi dan Sains), 5(2), 11–17. http://ejurnal.unim.ac.id/index.php/submit
Putra, A. P., Debataraja, N. N., & Kusnandar, D. (2020). Tingkat Akurasi Klasifikasi Jarak Kelahiran di Kampung Keluarga Berencana (KB) dengan Metode SVM. BIMASTER. doi:10.26418/bbimst.v9i3.40891
Putra, H., & Walmi, N. U. (2020). Penerapan prediksi produksi padi menggunakan artificial neural network algoritma backpropagation. Jurnal Nasional Teknologi dan Sistem Informasi, 6(2), 100–107. https://doi.org/10.25077/TEKNOSI.v6i2.2020.100-107
Qurniatun, D., & Farihati, S. A. (2024). Analisis kernel dan parameter cost pada klasifikasi cuaca harian menggunakan metode Support Vector Machine. Jurnal Saintek, 1(1), 13–21. https://doi.org/10.33830/saintek.v1i1.10039.2024
Ramdhan, N. A. (2019). Penerapan metode neural network untuk prediksi nilai ujian nasional (Study kasus di SMK Muhammadiyah Slawi). Syntax Literate: Jurnal Ilmiah Indonesia, 4(4). https://jurnal.syntaxliterate.co.id/index.php/syntax-literate/article/view/593/922
Reyson, P. R., & Donna, M. S. R. (2012). Artificial neural network model and multiple regression analysis model in predicting rainfall—The case of Isabela, Philippines. Journal of Arts and Sciences, 5(4), 243–263.
Ridho, I. I., Ramadhani, C. F., & Windarto, A. P. (2023). Penerapan artificial neural network dengan metode backpropagation dalam memprediksi harga saham (Kasus: PT. Bank BCA, Tbk). JURASIK (Jurnal Riset Sistem Informasi dan Teknik Informatika), 8(1), 295–303. https://doi.org/10.30645/jurasik.v8i1.612
Rivera-Romero, C. A., Munoz-Minjares, J. U., Lastre-Dominguez, C., & Lopez-Ramirez, M. (2024). Optimal image characterization for in-bed posture classification by using SVM algorithm. Big Data and Cognitive Computing, 8(2), Article 13. https://doi.org/10.3390/bdcc8020013
Russell, S. J., & Norvig, P. (2010). Artificial intelligence: A modern approach (3rd ed.). Prentice Hall.
Sapriani, Poerwanto, B., & Aswi. (2023). Implementasi backpropagation neural network pada status preeklampsia ibu hamil. Jurnal MSA (Matematika dan Statistika serta Aplikasinya), 11(2), 72–76. https://doi.org/10.24252/msa.v11i2.40657
Saputra, G. H., Wigena, A. H., & Sartono, B. (2019). Penggunaan Support Vector Regression dalam pemodelan Indeks Saham Syariah Indonesia dengan algoritme grid search. Indonesian Journal of Statistics and Its Applications, 3(2), 148–160.
Sari, S. K., & Manurung, J. (2021). Implementasi jaringan syaraf tiruan untuk memprediksi tingkat pemahaman siswa pada mata pelajaran Ujian Akhir Sekolah (UAS) di SD Mis An Nur Sukamandi menggunakan metode backpropagation. Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), 3(3), 283–292. https://doi.org/10.9767/jikomsi.v3i1.1.113
Siang, JJ. (2005). Jaringan Saraf Tiruan & Program Menggunakan Matlab. Andi : Yogyakarta.
Solikhun, & Wahyudi, M. (2020). Jaringan saraf tiruan backpropagation pengenalan pola calon debitur. Yayasan Kita Menulis.
Subiyanto, M. L., Amanda, Y., Fachrian, M. N., Rohim, A. Y. B., & Chamidah, N. (2023). Peramalan kasus harian Monkeypox dunia dengan pendekatan Support Vector Regression.
Sudarmin, Ruliana, & Arisa, S. (2025). Penerapan metode Support Vector Regression (SVR) dalam memprediksi Indeks Standar Pencemar Udara (ISPU) di Kota Makassar. Variansi: Journal of Statistics and Its Application on Teaching and Research, 7(2), 115–168. https://doi.org/10.35580/variansiunm400
Wahyuningrum, V. (2020). Penerapan radial basis function neural network dalam pengklasifikasian daerah tertinggal di Indonesia. Jurnal Aplikasi Statistika & Komputasi Statistik, 12(1), 37–54. https://doi.org/10.34123/jurnalasks.v12i1.250
Wiranto, A. R., Setiawan, E., Nuryaman, A., & Usman, M. (2023). Implementasi metode backpropagation neural network dalam meramalkan tingkat inflasi di Indonesia. MATHunesa: Jurnal Ilmiah Matematika, 11(1).
Yasin, H., Prahutama, A., & Utami, T. W. (2014). Prediksi harga saham menggunakan Support Vector Regression dengan algoritma grid search. Jurnal Media Statistika, 7(1), 29–35.
Zola, F. (2018). Jaringan syaraf tiruan menggunakan algoritma backpropagation untuk memprediksi prestasi siswa. Jurnal Teknologi dan Open Source.