BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Perkembangan teknologi informasi menyebabkan jumlah data yang dihasilkan semakin meningkat sehingga diperlukan metode pengolahan data yang mampu menghasilkan informasi bermanfaat. Machine learning merupakan salah satu pendekatan pengolahan data yang memungkinkan komputer mempelajari pola untuk melakukan klasifikasi maupun prediksi. Salah satu metode supervised learning yang dapat digunakan untuk klasifikasi adalah Support Vector Machine (SVM). SVM bekerja dengan menentukan hyperplane optimal yang memisahkan data ke dalam kelas tertentu berdasarkan margin dan support vector. Fungsi kernel, seperti linear dan radial basis function (RBF), dapat digunakan untuk menangani karakteristik data yang berbeda (Awalullaili dkk., 2023).

Metode SVM tidak hanya digunakan untuk klasifikasi, tetapi juga dapat diterapkan pada permasalahan regresi melalui Support Vector Regression (SVR). SVR bertujuan membentuk fungsi regresi yang menghasilkan prediksi dengan memperhatikan batas toleransi kesalahan. Konsep utama dalam SVR meliputi epsilon-insensitive loss dan epsilon-tube, yaitu batas toleransi penyimpangan antara nilai aktual dan hasil prediksi. Fungsi kernel memungkinkan SVR menangani pola hubungan data yang bersifat nonlinier (Safira dkk., 2023).

Kinerja model SVM dan SVR dipengaruhi oleh pemilihan fungsi kernel dan parameter yang digunakan. Parameter cost, gamma, dan epsilon pada SVR memiliki peran dalam mengatur penalti kesalahan, karakteristik fungsi kernel radial, serta batas toleransi kesalahan prediksi. Kombinasi parameter yang tepat dapat diperoleh melalui proses hyperparameter tuning menggunakan metode grid search dan cross validation. Penerapan GridSearchCV pada SVR dapat digunakan untuk memperoleh kombinasi parameter terbaik dalam menghasilkan prediksi (Ishlah dkk., 2023).

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, rumusan masalah dalam praktikum ini adalah sebagai berikut:

  1. Bagaimana konsep dasar Support Vector Machine (SVM) dan Support Vector Regression (SVR)?
  2. Bagaimana prinsip kerja hyperplane, margin, support vector, soft margin, fungsi kernel, epsilon-insensitive loss, dan epsilon-tube pada SVM dan SVR?
  3. Bagaimana cara mengimplementasikan SVM untuk klasifikasi dan SVR untuk regresi menggunakan bahasa pemrograman R?
  4. Bagaimana cara melakukan tuning parameter cost, gamma, dan epsilon serta mengevaluasi performa model menggunakan ukuran yang sesuai?

1.3 Tujuan

Tujuan yang ingin dicapai dalam praktikum ini adalah sebagai berikut:

  1. Mahasiswa dapat memahami konsep dasar Support Vector Machine (SVM) dan Support Vector Regression (SVR).
  2. Mahasiswa dapat menjelaskan hyperplane, margin, support vector, soft margin, dan fungsi kernel pada SVM serta konsep epsilon-insensitive loss dan epsilon-tube pada SVR.
  3. Mahasiswa dapat mengimplementasikan SVM untuk klasifikasi dan SVR untuk regresi menggunakan R.
  4. Mahasiswa dapat melakukan tuning parameter cost, gamma, dan epsilon serta mengevaluasi performa model menggunakan ukuran yang sesuai.

BAB II TINJAUAN PUSTAKA

2.1 Support Vector Machine (SVM)

Support Vector Machine (SVM) merupakan metode supervised learning yang digunakan terutama untuk menyelesaikan permasalahan klasifikasi. Prinsip utama SVM adalah mencari batas keputusan (hyperplane) yang mampu memisahkan kelas dengan jarak atau margin sebesar mungkin. Titik data yang berada paling dekat dengan batas keputusan disebut support vector karena menentukan posisi hyperplane optimal (Fransiska, 2026).

2.2 Hyperplane, Margin, dan Support Vector

Hyperplane merupakan batas keputusan yang digunakan untuk memisahkan data ke dalam kelas tertentu. Persamaan hyperplane linear dapat dinyatakan sebagai berikut:

\[ w^Tx+b=0 \]

Keterangan:

  • \(w\) = vektor bobot.
  • \(x\) = vektor prediktor.
  • \(b\) = konstanta atau bias.

Margin merupakan jarak antara dua bidang pembatas yang mengapit hyperplane. Lebar margin dirumuskan sebagai berikut:

\[ Margin=\frac{2}{||w||} \]

SVM berusaha memaksimalkan margin agar batas keputusan memiliki kemampuan generalisasi yang baik. Support vector merupakan observasi yang berada paling dekat dengan batas margin dan berperan dalam menentukan posisi hyperplane (Fransiska, 2026).

2.3 Fungsi Kernel

Fungsi kernel digunakan untuk menangani data yang tidak dapat dipisahkan secara linear dengan memetakan data ke ruang fitur berdimensi lebih tinggi. Beberapa fungsi kernel yang umum digunakan dalam SVM adalah sebagai berikut:

  1. Linear Kernel

\[ K(x_i,x_j)=x_i^Tx_j \]

  1. Polynomial Kernel

\[ K(x_i,x_j)=(\gamma x_i^Tx_j+r)^d \]

  1. Radial Basis Function (RBF)

\[ K(x_i,x_j)=\exp(-\gamma||x_i-x_j||^2) \]

  1. Sigmoid Kernel

\[ K(x_i,x_j)=\tanh(\gamma x_i^Tx_j+r) \]

Keterangan:

  • \(\gamma\) = parameter yang mengatur jangkauan pengaruh fungsi kernel.
  • \(r\) = konstanta.
  • \(d\) = derajat polinomial.

Pemilihan fungsi kernel disesuaikan dengan pola hubungan data. Linear kernel digunakan untuk pola linear, sedangkan radial kernel dapat digunakan untuk menangani pola nonlinier. Nilai gamma yang besar menghasilkan pengaruh yang lebih lokal, sedangkan nilai yang kecil menghasilkan batas keputusan yang lebih halus (Awalullaili dkk., 2023).

2.4 Evaluasi Model Klasifikasi

Evaluasi model SVM dapat dilakukan menggunakan confusion matrix yang terdiri atas True Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN). Ukuran evaluasi yang dapat digunakan meliputi Accuracy, Precision, Recall, Specificity, dan F1-Score. Rumus evaluasi tersebut telah dibahas pada praktikum klasifikasi sebelumnya sehingga tidak diuraikan kembali pada bagian ini (Fransiska, 2026).

2.5 Support Vector Regression (SVR)

Support Vector Regression (SVR) merupakan pengembangan metode SVM yang digunakan untuk menyelesaikan permasalahan regresi. SVR bertujuan membentuk fungsi regresi yang mampu menghasilkan prediksi dengan tingkat kesalahan dalam batas toleransi tertentu. Konsep utama SVR adalah epsilon-insensitive loss yang memberikan toleransi terhadap penyimpangan antara nilai aktual dan nilai prediksi (Fransiska, 2026).

2.6 Fungsi Regresi SVR

Fungsi regresi pada SVR secara umum dinyatakan sebagai berikut:

\[ f(x)=w^T\phi(x)+b \]

Keterangan:

  • \(f(x)\) = nilai prediksi.
  • \(w\) = vektor bobot.
  • \(\phi(x)\) = pemetaan data ke ruang fitur.
  • \(x\) = variabel prediktor.
  • \(b\) = konstanta atau bias.

Fungsi tersebut digunakan untuk memperkirakan nilai variabel respons berdasarkan pola hubungan yang dipelajari dari data latih (Fransiska, 2026).

2.7 Epsilon-Insensitive Loss dan Epsilon-Tube

Epsilon-insensitive loss merupakan konsep yang memberikan toleransi terhadap kesalahan prediksi selama penyimpangan antara nilai aktual dan prediksi tidak melebihi nilai epsilon (\(\epsilon\)). Fungsi kerugian tersebut dirumuskan sebagai berikut:

\[ L_{\epsilon}(y,f(x))= \max\{0,|y-f(x)|-\epsilon\} \]

Observasi yang berada di dalam batas toleransi memiliki nilai loss sebesar nol, sedangkan observasi di luar batas tersebut dikenai penalti. Batas toleransi tersebut membentuk epsilon-tube yang memiliki batas atas dan batas bawah sebagai berikut:

\[ f(x)+\epsilon \]

\[ f(x)-\epsilon \]

Lebar keseluruhan epsilon-tube adalah \(2\epsilon\). Nilai epsilon yang besar menghasilkan daerah toleransi lebih lebar, sedangkan nilai yang kecil menghasilkan daerah toleransi lebih sempit (Fransiska, 2026).

2.8 Fungsi Objektif SVR

Pembentukan model SVR dilakukan dengan meminimalkan kompleksitas fungsi regresi dan penalti terhadap kesalahan di luar epsilon-tube. Fungsi objektif SVR dinyatakan sebagai berikut:

\[ \min_{w,b,\xi,\xi^*} \frac{1}{2}||w||^2+ C\sum_{i=1}^{n}(\xi_i+\xi_i^*) \]

dimana,

\[ y_i-f(x_i)\leq\epsilon+\xi_i \]

\[ f(x_i)-y_i\leq\epsilon+\xi_i^* \]

\[ \xi_i,\xi_i^*\geq 0 \]

Keterangan:

  • \(C\) = parameter penalti kesalahan.
  • \(\xi_i\) dan \(\xi_i^*\) = variabel slack.
  • \(\epsilon\) = batas toleransi kesalahan.
  • \(n\) = jumlah observasi.

Parameter \(C\) mengatur besarnya penalti terhadap kesalahan prediksi yang berada di luar epsilon-tube. Nilai \(C\) yang besar memberikan penalti lebih tinggi terhadap kesalahan, sedangkan nilai yang kecil memberikan toleransi lebih besar (Fransiska, 2026).

2.9 Fungsi Kernel pada SVR

Fungsi kernel pada SVR digunakan untuk menangani hubungan antara variabel prediktor dan respons yang bersifat linear maupun nonlinier. Beberapa fungsi kernel yang dapat digunakan adalah sebagai berikut:

  1. Linear Kernel

\[ K(x_i,x_j)=x_i^Tx_j \]

  1. Polynomial Kernel

\[ K(x_i,x_j)=(\gamma x_i^Tx_j+r)^d \]

  1. Radial Basis Function (RBF)

\[ K(x_i,x_j)=\exp(-\gamma||x_i-x_j||^2) \]

  1. Sigmoid Kernel

\[ K(x_i,x_j)=\tanh(\gamma x_i^Tx_j+r) \]

Pemilihan fungsi kernel disesuaikan dengan karakteristik hubungan data (Safira dkk., 2023).

2.10 Parameter Penting pada SVR

Kinerja model SVR dipengaruhi oleh beberapa parameter yang digunakan dalam proses pembentukan model. Parameter utama yang diperhatikan dalam praktikum ini adalah sebagai berikut:

  1. Cost (\(C\))

    Parameter cost mengatur besarnya penalti terhadap kesalahan prediksi yang berada di luar epsilon-tube. Nilai cost yang besar memberikan penalti lebih tinggi, sedangkan nilai yang kecil memberikan toleransi lebih besar terhadap kesalahan.

  2. Gamma (\(\gamma\))

    Parameter gamma mengatur jangkauan pengaruh suatu observasi pada fungsi kernel RBF. Nilai gamma yang besar menghasilkan pengaruh lebih lokal, sedangkan nilai yang kecil menghasilkan pengaruh lebih luas.

  3. Epsilon (\(\epsilon\))

    Parameter epsilon menentukan lebar daerah toleransi kesalahan pada epsilon-tube. Nilai epsilon yang besar menghasilkan tabung lebih lebar, sedangkan nilai yang kecil menghasilkan tabung lebih sempit.

Pemilihan kombinasi parameter cost, gamma, dan epsilon memengaruhi kemampuan model dalam menghasilkan prediksi. Proses pencarian parameter terbaik dapat dilakukan melalui hyperparameter tuning menggunakan metode grid search dan cross validation (Fransiska, 2026; Ishlah dkk., 2023).

2.11 Hyperparameter Tuning

Hyperparameter tuning merupakan proses pencarian kombinasi parameter yang menghasilkan performa model terbaik. Salah satu metode yang dapat digunakan adalah grid search, yaitu pengujian berbagai kombinasi nilai parameter yang telah ditentukan. Proses evaluasi setiap kombinasi dapat menggunakan k-fold cross validation, yaitu membagi data latih menjadi beberapa bagian untuk proses pelatihan dan validasi secara bergantian. Kombinasi parameter terbaik dipilih berdasarkan nilai kesalahan prediksi terkecil pada proses validasi. Penerapan GridSearchCV pada SVR digunakan untuk memperoleh kombinasi parameter terbaik dalam peramalan harga saham (Ishlah dkk., 2023).

2.12 Evaluasi Model Regresi

Evaluasi model SVR dilakukan untuk mengetahui kemampuan model dalam menghasilkan prediksi yang mendekati nilai aktual. Ukuran evaluasi yang digunakan dalam praktikum ini meliputi Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (\(R^2\)). Rumus masing-masing ukuran evaluasi adalah sebagai berikut:

  1. Mean Squared Error (MSE)

\[ MSE=\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2 \]

  1. Root Mean Squared Error (RMSE)

\[ RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

  1. Mean Absolute Error (MAE)

\[ MAE=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i| \]

  1. Koefisien Determinasi (\(R^2\))

\[ R^2=1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

Keterangan:

  • \(n\) = jumlah observasi.
  • \(y_i\) = nilai aktual.
  • \(\hat{y}_i\) = nilai prediksi.
  • \(\bar{y}\) = rata-rata nilai aktual.

Model regresi yang baik umumnya memiliki nilai MSE, RMSE, dan MAE yang rendah serta nilai \(R^2\) yang tinggi. Ukuran evaluasi tersebut digunakan untuk membandingkan performa model berdasarkan fungsi kernel dan kombinasi parameter yang diterapkan (Safira dkk., 2023).

2.13 Perbedaan SVM dan SVR

SVM dan SVR memiliki prinsip dasar yang sama, tetapi digunakan untuk jenis permasalahan yang berbeda. Perbedaan keduanya dapat dilihat berdasarkan aspek berikut (Fransiska, 2026):

Aspek SVM SVR
Jenis masalah Klasifikasi Regresi
Variabel respons Kategorik Numerik
Tujuan Memisahkan kelas dengan hyperplane optimal Membentuk fungsi regresi dengan toleransi kesalahan
Parameter utama Cost, gamma, kernel Cost, gamma, epsilon, kernel
Evaluasi Accuracy, Precision, Recall, F1-Score MSE, RMSE, MAE, \(R^2\)

BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan dalam praktikum ini adalah data kuantitatif yang bersumber dari dataset airquality pada program R. Data tersebut merupakan data sekunder yang telah tersedia dalam R dan memuat informasi kualitas udara serta kondisi cuaca di New York pada tahun 1973. Dataset terdiri atas 153 observasi dan enam variabel, yaitu Ozone, Solar.R, Wind, Temp, Month, dan Day.

BAB III METODE PENELITIAN

3.1 Sumber Data

Jenis data yang digunakan dalam praktikum ini adalah data kuantitatif yang bersumber dari dataset airquality pada program R. Data tersebut merupakan data sekunder yang telah tersedia dalam R dan memuat informasi kualitas udara serta kondisi cuaca di New York pada tahun 1973. Dataset terdiri atas 153 observasi dan enam variabel, yaitu Ozone, Solar.R, Wind, Temp, Month, dan Day. Data digunakan untuk menganalisis hubungan antara kondisi cuaca dan konsentrasi Ozone menggunakan metode Support Vector Regression (SVR).

3.2 Variabel Penelitian

Variabel penelitian yang digunakan berasal dari dataset airquality dengan satu variabel respons dan lima variabel prediktor. Variabel Ozone digunakan sebagai variabel respons yang menunjukkan konsentrasi ozon di udara dalam satuan parts per billion (ppb). Sementara itu, variabel prediktor terdiri atas Solar.R (radiasi matahari), Wind (kecepatan angin), Temp (temperatur), Month (bulan), dan Day (hari). Seluruh variabel tersebut digunakan dalam pemodelan untuk memprediksi konsentrasi Ozone.

3.3 Langkah-Langkah Analisis

Langkah-langkah analisis data yang dilakukan dalam praktikum ini adalah sebagai berikut:

  1. Menyiapkan dataset airquality menggunakan data bawaan pada program R.
  2. Melakukan eksplorasi data untuk mengetahui struktur, ringkasan statistik, dan keberadaan missing value.
  3. Melakukan penanganan missing value dengan menghapus observasi yang memiliki nilai kosong.
  4. Membagi data menjadi 70% data training dan 30% data testing
  5. Membentuk model awal SVR menggunakan kernel radial dengan parameter awal cost, gamma, dan epsilon.
  6. Memvisualisasikan konsep epsilon-tube serta mengidentifikasi support vector menggunakan variabel Wind dan Ozone.
  7. Melakukan prediksi terhadap data uji dan mengevaluasi model menggunakan Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan \(R^2\).
  8. Melakukan tuning parameter cost, gamma, dan epsilon pada kernel radial menggunakan 5-fold cross validation.
  9. Membentuk model SVR radial berdasarkan parameter terbaik hasil tuning dan mengevaluasi kinerjanya pada data testing.
  10. Melakukan tuning dan evaluasi model SVR menggunakan kernel linear sebagai pembanding.
  11. Membandingkan kinerja kernel linear dan radial berdasarkan hasil evaluasi serta visualisasi aktual terhadap prediksi dan residual.
  12. Menganalisis pengaruh parameter cost, gamma, dan epsilon terhadap kinerja model serta menarik kesimpulan.

3.4 Diagram Alir Penelitian

Berdasarkan tahapan analisis tersebut, diagram alir penelitian disajikan sebagai berikut.

Gambar 1. Diagram Alir Penelitian

BAB IV HASIL DAN PEMBAHASAN

4.1 Library dan Data Regresi

Berikut adalah library yang digunakan untuk pemodelan Support Vector Regression (SVR) pada dataset airquality dengan Ozone sebagai variabel respons.

library(e1071)
library(caret)
## Loading required package: ggplot2
## 
## Attaching package: 'ggplot2'
## The following object is masked from 'package:e1071':
## 
##     element
## Loading required package: lattice
library(ggplot2)
library(dplyr)
## 
## 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(tidyr)

data(airquality)
aq <- airquality

str(aq)
## 'data.frame':    153 obs. of  6 variables:
##  $ Ozone  : int  41 36 12 18 NA 28 23 19 8 NA ...
##  $ Solar.R: int  190 118 149 313 NA NA 299 99 19 194 ...
##  $ Wind   : num  7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...
##  $ Temp   : int  67 72 74 62 56 66 65 59 61 69 ...
##  $ Month  : int  5 5 5 5 5 5 5 5 5 5 ...
##  $ Day    : int  1 2 3 4 5 6 7 8 9 10 ...
summary(aq)
##      Ozone           Solar.R           Wind             Temp      
##  Min.   :  1.00   Min.   :  7.0   Min.   : 1.700   Min.   :56.00  
##  1st Qu.: 18.00   1st Qu.:115.8   1st Qu.: 7.400   1st Qu.:72.00  
##  Median : 31.50   Median :205.0   Median : 9.700   Median :79.00  
##  Mean   : 42.13   Mean   :185.9   Mean   : 9.958   Mean   :77.88  
##  3rd Qu.: 63.25   3rd Qu.:258.8   3rd Qu.:11.500   3rd Qu.:85.00  
##  Max.   :168.00   Max.   :334.0   Max.   :20.700   Max.   :97.00  
##  NAs    :37       NAs    :7                                       
##      Month            Day      
##  Min.   :5.000   Min.   : 1.0  
##  1st Qu.:6.000   1st Qu.: 8.0  
##  Median :7.000   Median :16.0  
##  Mean   :6.993   Mean   :15.8  
##  3rd Qu.:8.000   3rd Qu.:23.0  
##  Max.   :9.000   Max.   :31.0  
## 
colSums(is.na(aq))
##   Ozone Solar.R    Wind    Temp   Month     Day 
##      37       7       0       0       0       0

Berdasarkan hasil, diperoleh nilai rata-rata Ozone sebesar 42,13 ppb yang lebih besar daripada nilai median sebesar 31,5 ppb. Kondisi tersebut menunjukkan bahwa sebaran Ozone menjulur ke kanan, yaitu sebagian besar hari memiliki konsentrasi ozon yang relatif rendah dan hanya sebagian kecil hari memiliki konsentrasi sangat tinggi hingga 168 ppb. Terdapat missing value sebanyak 37 observasi pada variabel Ozone dan 7 observasi pada variabel Solar.R. Rentang nilai antarvariabel berbeda jauh, misalnya Solar.R berkisar antara 7 dan 334 sedangkan Wind berkisar antara 1,7 dan 20,7, sehingga standardisasi diperlukan agar variabel dengan skala besar tidak mendominasi perhitungan kernel.

4.2 Penanganan Missing Value

# Menghapus observasi yang memiliki missing value
aq <- na.omit(aq)

colSums(is.na(aq))
##   Ozone Solar.R    Wind    Temp   Month     Day 
##       0       0       0       0       0       0
str(aq)
## 'data.frame':    111 obs. of  6 variables:
##  $ Ozone  : int  41 36 12 18 23 19 8 16 11 14 ...
##  $ Solar.R: int  190 118 149 313 299 99 19 256 290 274 ...
##  $ Wind   : num  7.4 8 12.6 11.5 8.6 13.8 20.1 9.7 9.2 10.9 ...
##  $ Temp   : int  67 72 74 62 65 59 61 69 66 68 ...
##  $ Month  : int  5 5 5 5 5 5 5 5 5 5 ...
##  $ Day    : int  1 2 3 4 7 8 9 12 13 14 ...
##  - attr(*, "na.action")= 'omit' Named int [1:42] 5 6 10 11 25 26 27 32 33 34 ...
##   ..- attr(*, "names")= chr [1:42] "5" "6" "10" "11" ...
summary(aq)
##      Ozone          Solar.R           Wind            Temp      
##  Min.   :  1.0   Min.   :  7.0   Min.   : 2.30   Min.   :57.00  
##  1st Qu.: 18.0   1st Qu.:113.5   1st Qu.: 7.40   1st Qu.:71.00  
##  Median : 31.0   Median :207.0   Median : 9.70   Median :79.00  
##  Mean   : 42.1   Mean   :184.8   Mean   : 9.94   Mean   :77.79  
##  3rd Qu.: 62.0   3rd Qu.:255.5   3rd Qu.:11.50   3rd Qu.:84.50  
##  Max.   :168.0   Max.   :334.0   Max.   :20.70   Max.   :97.00  
##      Month            Day       
##  Min.   :5.000   Min.   : 1.00  
##  1st Qu.:6.000   1st Qu.: 9.00  
##  Median :7.000   Median :16.00  
##  Mean   :7.216   Mean   :15.95  
##  3rd Qu.:9.000   3rd Qu.:22.50  
##  Max.   :9.000   Max.   :31.00
dim(aq)
## [1] 111   6

Berdasarkan hasil, diperoleh 111 observasi lengkap dengan 6 variabel setelah observasi yang mengandung missing value dihapus, yaitu sebanyak 42 observasi. Penanganan missing value pada seluruh variabel telah dilakukan, sehingga data siap digunakan untuk pembagian data dan pemodelan. Rata-rata Ozone hampir tidak berubah, yaitu 42,1 ppb dibandingkan 42,13 ppb sebelumnya, sehingga penghapusan data tidak banyak memengaruhi sebaran Ozone.

4.3 Pembagian Data Training dan Data Testing

set.seed(234)

idx.reg <- createDataPartition(aq$Ozone, p = 0.70, list = FALSE)

aq.train <- aq[idx.reg, ]
aq.test  <- aq[-idx.reg, ]

# Menampilkan dimensi data
dim(aq.train)
## [1] 79  6
dim(aq.test)
## [1] 32  6

Berdasarkan hasil, data dibagi menjadi 79 observasi sebagai data training dan 32 observasi sebagai data testing. Proporsi tersebut sekitar 71,2% dan 28,8% sehingga mendekati perbandingan 70% dan 30% yang ditetapkan. Data training digunakan untuk membentuk model SVR agar dapat mempelajari pola hubungan antara Ozone dan variabel prediktor. Data testing digunakan untuk menguji kemampuan model dalam memprediksi data baru yang tidak dilibatkan saat pembentukan model.

4.4 Pemodelan SVR Radial Awal

set.seed(234)

svr.reg <- svm(
  Ozone ~ .,
  data = aq.train,
  type = "eps-regression",
  kernel = "radial",
  cost = 10,
  gamma = 1 / (ncol(aq.train) - 1),
  epsilon = 0.1,
  scale = TRUE
)

svr.reg
## 
## Call:
## svm(formula = Ozone ~ ., data = aq.train, type = "eps-regression", 
##     kernel = "radial", cost = 10, gamma = 1/(ncol(aq.train) - 1), 
##     epsilon = 0.1, scale = TRUE)
## 
## 
## Parameters:
##    SVM-Type:  eps-regression 
##  SVM-Kernel:  radial 
##        cost:  10 
##       gamma:  0.2 
##     epsilon:  0.1 
## 
## 
## Number of Support Vectors:  61

Berdasarkan hasil, model SVR dengan kernel radial dibentuk menggunakan parameter \(cost=10\), \(gamma=0,2\), dan \(epsilon=0,1\). Model yang terbentuk memiliki 61 support vector dari 79 data training. Banyaknya support vector menunjukkan bahwa sebagian besar data training berada di luar atau tepat pada batas epsilon-tube. Hal ini menunjukkan bahwa nilai \(epsilon\) yang digunakan relatif kecil.

4.5 Plot SVR

Berikut hasil plot Ozone sebagai variabel \(y\) dan Wind sebagai variabel \(x\).

# Menyiapkan data satu variabel
wind_train  <- aq.train$Wind
ozone_train <- aq.train$Ozone

# Membentuk model SVR satu variabel
set.seed(234)

svr_1d <- svm(
  Ozone ~ Wind,
  data = aq.train,
  type = "eps-regression",
  kernel = "radial",
  cost = 10,
  gamma = 1 / 1,
  epsilon = 0.1,
  scale = TRUE
)

# Membuat urutan nilai Wind
wind_seq <- seq(min(wind_train), max(wind_train), length.out = 200)

# Prediksi model SVR
pred_seq <- predict(svr_1d, newdata = data.frame(Wind = wind_seq))

# Mengidentifikasi support vectors
sv_indices <- svr_1d$index

support_vectors <- data.frame(
  Wind  = wind_train[sv_indices],
  Ozone = ozone_train[sv_indices]
)

epsilon <- svr_1d$epsilon * svr_1d$y.scale$`scaled:scale`

plot_data <- data.frame(
  Wind = wind_seq,
  predicted  = as.numeric(pred_seq),
  upper_tube = as.numeric(pred_seq) + epsilon,
  lower_tube = as.numeric(pred_seq) - epsilon
)

# Visualisasi SVR epsilon-tube
p_tube <- ggplot() +
  geom_ribbon(data = plot_data,
              aes(x = Wind, ymin = lower_tube, ymax = upper_tube),
              alpha = 0.25, fill = "#A7C7E7") +
  geom_point(data = aq.train, aes(x = Wind, y = Ozone),
             alpha = 0.5, color = "gray50") +
  geom_point(data = support_vectors, aes(x = Wind, y = Ozone),
             color = "#E76F51", size = 3, shape = 1, stroke = 1.2) +
  geom_line(data = plot_data, aes(x = Wind, y = predicted),
            color = "#377EB8", linewidth = 1.2) +
  labs(title = "SVR Epsilon-Tube Visualization",
       subtitle = paste("Jumlah Support Vectors:", length(sv_indices)),
       x = "Wind", y = "Ozone") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5),
        plot.subtitle = element_text(hjust = 0.5))

print(p_tube)

Berdasarkan plot, model SVR satu variabel menghasilkan 67 support vector dari 79 data training atau sekitar 84,8%. Garis regresi menurun dari sekitar 130 ppb pada Wind sekitar 3 hingga 4 menjadi sekitar 25 ppb pada Wind sekitar 9, kemudian relatif datar pada Wind sekitar 9 sampai 15. Pola tersebut menunjukkan bahwa semakin besar kecepatan angin, konsentrasi Ozone cenderung semakin rendah. Epsilon-tube tampak sempit sehingga hampir seluruh titik berada di luar atau pada batas tube dan menjadi support vector.

4.6 Prediksi Data Testing

pred.svr.reg <- as.numeric(predict(svr.reg, newdata = aq.test))
actual.reg   <- aq.test$Ozone
residual.svr <- actual.reg - pred.svr.reg

hasil.svr.reg <- data.frame(
  Aktual   = actual.reg,
  Prediksi = pred.svr.reg,
  Residual = residual.svr
)

head(hasil.svr.reg, 10)
##    Aktual  Prediksi   Residual
## 1      23 18.951791   4.048209
## 2      19 14.837270   4.162730
## 3      14 16.196913  -2.196913
## 4      18  8.643849   9.356151
## 5      34 22.858635  11.141365
## 6      11 54.688479 -43.688479
## 7      32 14.665010  17.334990
## 8      45 61.180131 -16.180131
## 9      29 17.756932  11.243068
## 10     64 93.508901 -29.508901

Berdasarkan hasil, diperoleh residual pada 10 observasi pertama data testing yang berkisar antara -43,69 dan 17,33 dengan rata-rata selisih absolut sekitar 14,89 ppb. Prediksi pada observasi pertama sampai ketiga menunjukkan selisih yang kecil, yaitu sekitar 2 sampai 4 ppb. Selisih terbesar diperoleh pada observasi keenam, yaitu nilai aktual 11 ppb diprediksi 54,69 ppb yang menunjukkan bahwa prediksi jauh lebih tinggi dari nilai aktual. Sebanyak 6 dari 10 observasi memiliki residual positif, hal ini menunjukkan bahwa model lebih sering memprediksi lebih rendah dari nilai aktual.

4.7 Evaluasi Model Regresi Awal

MSE <- mean((actual.reg - pred.svr.reg)^2)
RMSE <- sqrt(MSE)
MAE <- mean(abs(actual.reg - pred.svr.reg))
R2 <- 1 - sum((actual.reg - pred.svr.reg)^2) /
          sum((actual.reg - mean(actual.reg))^2)
evaluasi.svr <- data.frame(MSE = MSE, RMSE = RMSE, MAE = MAE, R_Square = R2)
round(evaluasi.svr, 4)
##        MSE   RMSE     MAE R_Square
## 1 328.2266 18.117 14.2021   0.5748

Berdasarkan hasil evaluasi, diperoleh nilai MSE sebesar 328,2266, RMSE sebesar 18,117, MAE sebesar 14,2021, dan R-Square sebesar 0,5748. Nilai RMSE menunjukkan bahwa prediksi model secara rata-rata menyimpang sekitar 18,12 ppb dari nilai aktual, sedangkan nilai MAE menunjukkan rata-rata selisih absolut sebesar 14,20 ppb. Nilai RMSE yang lebih besar daripada MAE menunjukkan adanya beberapa prediksi dengan selisih yang besar. Nilai R-Square menunjukkan bahwa model mampu menjelaskan 57,48% keragaman Ozone pada data testing, sedangkan 42,52% lainnya dijelaskan oleh faktor lain di luar model.

4.8 Plot Aktual terhadap Prediksi dan Plot Residual Model Awal

# Plot aktual vs prediksi
ggplot(data.frame(Aktual = actual.reg, Prediksi = pred.svr.reg),
       aes(x = Aktual, y = Prediksi)) +
  geom_point(size = 2) +
  geom_abline(intercept = 0, slope = 1, linetype = "dashed", linewidth = 1) +
  labs(title = "Aktual vs Prediksi: SVR",
       x = "Nilai Aktual Ozone", y = "Nilai Prediksi Ozone") +
  theme_minimal()

# Plot residual
ggplot(data.frame(Prediksi = pred.svr.reg, Residual = residual.svr),
       aes(x = Prediksi, y = Residual)) +
  geom_point(size = 2) +
  geom_hline(yintercept = 0, linetype = "dashed", linewidth = 1) +
  labs(title = "Residual Plot: SVR",
       x = "Nilai Prediksi", y = "Residual") +
  theme_minimal()

Berdasarkan kedua plot, yaitu Residual Plot dan Aktual vs Prediksi, terlihat bahwa residual masih menyebar cukup jauh dari garis nol, baik ke arah positif maupun negatif. Beberapa titik menunjukkan nilai residual yang cukup besar sehingga mengindikasikan adanya kesalahan prediksi pada sejumlah observasi. Pada plot aktual vs prediksi, sebagian titik berada dekat dengan garis diagonal, tetapi beberapa lainnya menyimpang cukup jauh, yang menunjukkan adanya perbedaan antara nilai aktual dan prediksi. Secara keseluruhan, model SVR telah mampu menangkap sebagian pola data, tetapi hasil prediksinya masih belum konsisten pada seluruh observasi.

4.9 Tuning Cost, Gamma, dan Epsilon Kernel Radial

set.seed(234)

tune.svr <- tune.svm(
  Ozone ~ .,
  data = aq.train,
  type = "eps-regression",
  kernel = "radial",
  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),
  scale = TRUE,
  tunecontrol = tune.control(cross = 5)
)

tune.svr
## 
## Parameter tuning of 'svm':
## 
## - sampling method: 5-fold cross validation 
## 
## - best parameters:
##  gamma cost epsilon
##    0.1    1     0.2
## 
## - best performance: 468.5028
# Model terbaik
svr.best <- tune.svr$best.model
svr.best
## 
## Call:
## best.svm(x = Ozone ~ ., data = aq.train, gamma = c(0.001, 0.01, 0.1, 
##     1), cost = c(0.1, 1, 10, 100), epsilon = c(0.05, 0.1, 0.2, 0.3), 
##     type = "eps-regression", kernel = "radial", scale = TRUE, tunecontrol = tune.control(cross = 5))
## 
## 
## Parameters:
##    SVM-Type:  eps-regression 
##  SVM-Kernel:  radial 
##        cost:  1 
##       gamma:  0.1 
##     epsilon:  0.2 
## 
## 
## Number of Support Vectors:  54

Berdasarkan hasil tuning menggunakan 5-fold cross validation terhadap 64 kombinasi parameter, diperoleh parameter terbaik berupa \(cost=1\), \(gamma=0.1\), dan \(epsilon=0.2\) dengan MSE cross validation terkecil sebesar 470.0913. Hasil tersebut menunjukkan bahwa model SVR terbaik menggunakan 54 support vector dalam membentuk fungsi regresi. Kombinasi parameter tersebut menghasilkan model terbaik berdasarkan nilai kesalahan terkecil selama proses validasi silang.

4.10 Evaluasi Model Radial Hasil Tuning

pred.svr.best <- as.numeric(predict(svr.best, newdata = aq.test))

MSE.best  <- mean((actual.reg - pred.svr.best)^2)
RMSE.best <- sqrt(MSE.best)
MAE.best  <- mean(abs(actual.reg - pred.svr.best))
R2.best   <- 1 - sum((actual.reg - pred.svr.best)^2) /
                 sum((actual.reg - mean(actual.reg))^2)

evaluasi.svr.best <- data.frame(
  MSE = MSE.best,
  RMSE = RMSE.best,
  MAE = MAE.best,
  R_Square = R2.best
)

round(evaluasi.svr.best, 4)
##       MSE    RMSE     MAE R_Square
## 1 200.509 14.1601 11.3937   0.7403

Berdasarkan hasil evaluasi model SVR menggunakan kernel radial dengan parameter terbaik hasil tuning, diperoleh nilai MSE sebesar 200.509, RMSE sebesar 14.1601, MAE sebesar 11.3937, dan \(R^2\) sebesar 0.7403. Hasil tersebut menunjukkan bahwa model mampu menjelaskan sebesar 74,03% variasi nilai Ozone, sedangkan 25,97% sisanya belum dapat dijelaskan oleh model. Nilai RMSE dan MAE menunjukkan bahwa model masih memiliki kesalahan prediksi dengan rata-rata yang berbeda pada setiap observasi.

4.11 Tuning dan Evaluasi Kernel Linear

set.seed(234)

tune.svr.linear <- tune.svm(
  Ozone ~ .,
  data = aq.train,
  type = "eps-regression",
  kernel = "linear",
  cost = c(0.1, 1, 10, 100),
  epsilon = c(0.05, 0.10, 0.20, 0.30),
  scale = TRUE,
  tunecontrol = tune.control(cross = 5)
)

tune.svr.linear$best.parameters
##   cost epsilon
## 8  100     0.1
pred.svr.linear <- as.numeric(
  predict(tune.svr.linear$best.model, newdata = aq.test)
)

MSE.linear  <- mean((actual.reg - pred.svr.linear)^2)
RMSE.linear <- sqrt(MSE.linear)
MAE.linear  <- mean(abs(actual.reg - pred.svr.linear))
R2.linear   <- 1 - sum((actual.reg - pred.svr.linear)^2) /
                   sum((actual.reg - mean(actual.reg))^2)

evaluasi.svr.linear <- data.frame(
  MSE = MSE.linear,
  RMSE = RMSE.linear,
  MAE = MAE.linear,
  R_Square = R2.linear
)

round(evaluasi.svr.linear, 4)
##       MSE    RMSE     MAE R_Square
## 1 248.393 15.7605 13.0193   0.6782

Berdasarkan hasil tuning, kernel linear menghasilkan parameter terbaik yang digunakan untuk membentuk model SVR. Berdasarkan hasil evaluasi model, diperoleh nilai MSE sebesar 248.2384, RMSE sebesar 15.7556, MAE sebesar 13.0223, dan \(R^2\) sebesar 0.6784. Hasil tersebut menunjukkan bahwa model mampu menjelaskan sebesar 67,84% variasi nilai Ozone, sedangkan 32,16% sisanya belum dapat dijelaskan oleh model.

4.12 Perbandingan Kernel Linear dan Radial

# Membuat tabel perbandingan kernel
perbandingan.kernel.reg <- data.frame(
  Kernel = c("Linear", "Radial"),
  MSE = c(MSE.linear, MSE.best),
  RMSE = c(RMSE.linear, RMSE.best),
  MAE = c(MAE.linear, MAE.best),
  R_Square = c(R2.linear, R2.best)
)

perbandingan.kernel.reg
##   Kernel     MSE     RMSE      MAE  R_Square
## 1 Linear 248.393 15.76049 13.01933 0.6782475
## 2 Radial 200.509 14.16012 11.39367 0.7402733
# Menyiapkan data aktual, prediksi, dan residual
data.plot.reg <- data.frame(
  Aktual = actual.reg,
  Linear = pred.svr.linear,
  Radial = pred.svr.best
)

# Mengubah data ke format long
data.long.reg <- data.plot.reg %>%
  pivot_longer(
    cols = c(Linear, Radial),
    names_to = "Kernel",
    values_to = "Prediksi"
  ) %>%
  mutate(
    Residual = Aktual - Prediksi
  )

# Plot aktual vs prediksi
plot.aktual.reg <- ggplot(
  data.long.reg,
  aes(x = Aktual, y = Prediksi)
) +
  geom_point(alpha = 0.7) +
  geom_abline(
    intercept = 0,
    slope = 1,
    linetype = "dashed"
  ) +
  facet_wrap(~Kernel) +
  labs(
    title = "Perbandingan Aktual vs Prediksi",
    x = "Nilai Aktual Ozone",
    y = "Nilai Prediksi Ozone"
  ) +
  theme_minimal()

# Plot residual vs prediksi
plot.residual.reg <- ggplot(
  data.long.reg,
  aes(x = Prediksi, y = Residual)
) +
  geom_point(alpha = 0.7) +
  geom_hline(
    yintercept = 0,
    linetype = "dashed"
  ) +
  facet_wrap(~Kernel) +
  labs(
    title = "Perbandingan Residual vs Prediksi",
    x = "Nilai Prediksi Ozone",
    y = "Residual"
  ) +
  theme_minimal()

# Menampilkan plot
plot.aktual.reg

plot.residual.reg

Berdasarkan plot aktual vs prediksi, kesesuaian antara nilai prediksi dan nilai aktual dapat dilihat dari kedekatan titik-titik terhadap garis diagonal. Semakin dekat titik dengan garis tersebut, semakin baik kemampuan model dalam memprediksi konsentrasi Ozone. Sementara itu, plot residual vs prediksi digunakan untuk melihat pola kesalahan prediksi melalui penyebaran residual terhadap garis nol. Residual yang menyebar secara acak di sekitar garis nol menunjukkan bahwa kesalahan prediksi tidak membentuk pola tertentu.

Berdasarkan tabel perbandingan, kernel linear menghasilkan nilai MSE sebesar 248.2384, RMSE sebesar 15.75558, MAE sebesar 13.02230, dan \(R^2\) sebesar 0.6784. Sementara itu, kernel radial menghasilkan nilai MSE sebesar 200.5090, RMSE sebesar 14.16012, MAE sebesar 11.39367, dan \(R^2\) sebesar 0.7403. Hasil tersebut menunjukkan bahwa kernel radial memiliki nilai kesalahan prediksi yang lebih rendah dan nilai \(R^2\) yang lebih tinggi dibandingkan kernel linear. Keunggulan ini konsisten pada seluruh metrik evaluasi, sehingga kernel radial dipilih sebagai model SVR terbaik untuk memprediksi konsentrasi Ozone pada data airquality.

4.13 Pengaruh Cost, Gamma, dan Epsilon terhadap Model

bp <- tune.svr$best.parameters

eval_svr <- function(cost, gamma, epsilon) {
  m <- svm(Ozone ~ ., data = aq.train, type = "eps-regression",
           kernel = "radial", cost = cost, gamma = gamma,
           epsilon = epsilon, scale = TRUE)
  data.frame(
    cost = cost, gamma = gamma, epsilon = epsilon,
    Jumlah_SV = m$tot.nSV,
    RMSE_Latih = sqrt(mean((aq.train$Ozone - predict(m, aq.train))^2)),
    RMSE_Uji   = sqrt(mean((aq.test$Ozone  - predict(m, aq.test))^2))
  )
}

# Pengaruh cost
tab.cost <- do.call(rbind, lapply(c(0.1, 1, 10, 100),
                                  function(x) eval_svr(x, bp$gamma, bp$epsilon)))
round(tab.cost, 4)
##    cost gamma epsilon Jumlah_SV RMSE_Latih RMSE_Uji
## 1   0.1   0.1     0.2        57    26.1012  18.3321
## 2   1.0   0.1     0.2        54    19.2043  14.1601
## 3  10.0   0.1     0.2        51    14.9800  14.5283
## 4 100.0   0.1     0.2        60     8.4165  21.4901
# Pengaruh gamma
tab.gamma <- do.call(rbind, lapply(c(0.001, 0.01, 0.1, 1),
                                   function(x) eval_svr(bp$cost, x, bp$epsilon)))
round(tab.gamma, 4)
##   cost gamma epsilon Jumlah_SV RMSE_Latih RMSE_Uji
## 1    1 0.001     0.2        64    33.2897  25.2998
## 2    1 0.010     0.2        59    23.8043  16.6293
## 3    1 0.100     0.2        54    19.2043  14.1601
## 4    1 1.000     0.2        59    15.2186  17.1308
# Pengaruh epsilon
tab.eps <- do.call(rbind, lapply(c(0.05, 0.10, 0.20, 0.30),
                                 function(x) eval_svr(bp$cost, bp$gamma, x)))
round(tab.eps, 4)
##   cost gamma epsilon Jumlah_SV RMSE_Latih RMSE_Uji
## 1    1   0.1    0.05        71    19.2802  13.9065
## 2    1   0.1    0.10        69    19.4322  14.3917
## 3    1   0.1    0.20        54    19.2043  14.1601
## 4    1   0.1    0.30        37    19.0888  14.6877

Berdasarkan hasil pengujian, diperoleh nilai RMSE uji terkecil pada cost sebesar 1 dan gamma sebesar 0.1, masing-masing sebesar 14.1601. Pengujian epsilon menghasilkan RMSE uji terkecil sebesar 13.9065 pada nilai 0.05. Hasil tersebut menunjukkan bahwa perubahan nilai cost, gamma, dan epsilon memengaruhi kinerja model SVR dalam menghasilkan prediksi.

BAB V KESIMPULAN

5.1 Kesimpulan

Support Vector Machine (SVM) merupakan metode pembelajaran terawasi yang digunakan untuk menyelesaikan permasalahan klasifikasi dengan membentuk hyperplane sebagai batas pemisah antarkelas. Pembentukan hyperplane mempertimbangkan nilai margin maksimum, sedangkan support vector merupakan titik data terdekat yang memengaruhi posisi batas pemisah tersebut.

Konsep soft margin digunakan untuk mengakomodasi data yang tidak dapat dipisahkan secara sempurna. Fungsi kernel memungkinkan SVM menangani pola data nonlinier melalui pemetaan ke ruang berdimensi lebih tinggi. Pemilihan fungsi kernel yang sesuai berpengaruh terhadap kemampuan model dalam mengenali pola data.

Support Vector Regression (SVR) merupakan pengembangan SVM yang digunakan untuk menyelesaikan permasalahan regresi. Metode ini menggunakan konsep epsilon-insensitive loss dan epsilon-tube untuk menentukan batas toleransi kesalahan prediksi. Parameter epsilon mengatur lebar toleransi kesalahan, sedangkan cost dan gamma memengaruhi kompleksitas serta fleksibilitas model.

Penerapan SVM dan SVR memerlukan pemilihan parameter dan evaluasi model yang tepat agar menghasilkan performa yang optimal. Proses tuning parameter dapat dilakukan untuk memperoleh kombinasi nilai cost, gamma, dan epsilon yang sesuai. Evaluasi model klasifikasi dapat menggunakan Accuracy, Precision, Recall, dan F1-Score, sedangkan model regresi dapat dievaluasi menggunakan MSE, RMSE, MAE, dan R-Square.

Berdasarkan hasil analisis, model Support Vector Regression (SVR) dengan kernel radial dan parameter terbaik \(cost=1\), \(gamma=0.1\), serta \(epsilon=0.2\) menghasilkan MSE cross validation sebesar 470.0913 dengan 54 support vector. Hasil evaluasi pada data uji menunjukkan nilai MSE sebesar 200.5090, RMSE sebesar 14.1601, MAE sebesar 11.3937, dan \(R^2\) sebesar 0.7403, sehingga model mampu menjelaskan 74,03% keragaman konsentrasi Ozone. Perbandingan kedua kernel menunjukkan bahwa kernel radial memiliki kinerja lebih baik daripada kernel linear berdasarkan nilai kesalahan prediksi yang lebih rendah dan nilai \(R^2\) yang lebih tinggi. Pengujian parameter juga menunjukkan bahwa perubahan cost, gamma, dan epsilon memengaruhi kinerja model, dengan RMSE uji terkecil pada masing-masing pengujian diperoleh pada cost sebesar 1, gamma sebesar 0.1, dan epsilon sebesar 0.05.

5.2 Saran

Penggunaan RMarkdown dalam praktikum selanjutnya perlu dioptimalkan untuk menyusun laporan analisis secara lebih terstruktur dan sistematis. Mahasiswa disarankan memahami penggunaan sintaks Markdown, penulisan kode R, pengaturan chunk, serta penyajian tabel dan visualisasi agar hasil analisis dapat ditampilkan dengan jelas. Ketelitian dalam menjalankan kode dan mengatur format dokumen juga perlu diperhatikan agar proses analisis dan penyusunan laporan berjalan lebih efektif.

DAFTAR PUSTAKA

Awalullaili, F. O., Ispriyanti, D., & Widiharih, T. (2023). Klasifikasi penyakit hipertensi menggunakan metode SVM Grid Search dan SVM Genetic Algorithm (GA). Jurnal Gaussian, 11(4), 488–498.

Fransiska, H. (2026). Modul Praktikum Machine Learning and Modern Prediction. Laboratorium Matematika Universitas Bengkulu.

Ishlah, A. W., Sudarno, & Kartikasari, P. (2023). Implementasi GridSearchCV pada Support Vector Regression (SVR) untuk peramalan harga saham. Jurnal Gaussian, 12(2), 276–286.

Safira, A. N., Warsito, B., & Rusgiyono, A. (2023). Analisis Support Vector Regression (SVR) dengan algoritma Grid Search Time Series Cross Validation untuk prediksi jumlah kasus terkonfirmasi COVID-19 di Indonesia. Jurnal Gaussian, 11(4), 512–521.