Penerapan Model Machine Learning untuk Klasifikasi Sonar: Analisis Penggunaan Naive Bayes, Random Forest, dan Support Vector Machine
Keywords:
Machine Learning, Klasifikasi Sonar, Naive Bayes, Random Forest, Support Vector Machine, Klasifikasi BinerAbstract
Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja tiga model machine learning, yaitu Naive Bayes, Random Forest, dan Support Vector Machine (SVM) dalam mengklasifikasikan data sonar yang digunakan untuk membedakan objek antara batu (rock) dan ranjau (mine). Dataset yang digunakan adalah dataset Sonar yang terdiri dari 208 data observasi dengan 60 atribut numerik, di mana setiap atribut mewakili amplitudo sinyal sonar pada berbagai frekuensi. Sebelum dilakukan pelatihan model, data mengalami tahap pra-pemrosesan yang mencakup pembersihan data, normalisasi, dan pembagian dataset menjadi data latih dan data uji. Pengujian model dilakukan menggunakan metrik evaluasi seperti akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Support Vector Machine (SVM) memberikan performa terbaik dengan akurasi 94-96%, diikuti oleh Random Forest dengan akurasi 90-93% dan Naive Bayes dengan akurasi 76%. SVM unggul dalam menangani pola non-linear pada dataset sona, sementara Random Forest memberikan keseimbangan antara performa dan kecepatan pelatihan. Naive Bayes meskipun memiliki akurasi yang lebih rendah, tetap menunjukkan hasil yang cukup baik pada dataset besar dengan jumlah fitur yang banyak. Berdasarkan hasil penelitian, SVM direkomendasikan untuk digunakan dalam situasi yang mengutamakan akurasi tinggi, sementara Random Forest cocok digunakan untuk keseimbangan antara akurasi dan waktu komputasi. Naive Bayes dapat digunakan dalam aplikasi yang membutuhkan pelatihan cepat dengan pengorbanan akurasi yang minimal.
Downloads
References
Ezenwobodo dan S. Samuel, “International Journal of Research Publication and Reviews,” Int. J. Res. Publ. Rev., vol. 04, no. 01, hal. 1806–1812, 2022, doi: 10.55248/gengpi.2023.4149.
R. Lou, Z. Lv, S. Dang, T. Su, dan X. Li, “Application of machine learning in ocean data,”Multimed. Syst., vol. 29, no. 3, hal. 1815–1824, 2023, doi: 10.1007/s00530-020-00733-x.
S. B. Kotsiantis, I. D. Zaharakis, dan P. E. Pintelas, “Machine learning: a review of classification and combining techniques,” Artif. Intell. Rev., vol. 26, no. 3, hal. 159–190, 2006, doi: 10.1007/s10462-007-9052-3.
J. D. M. Rennie, L. Shih, J. Teevan, dan D. Karger, “Tackling the Poor Assumptions of Naive Bayes Text Classifiers,” Proceedings, Twent. Int. Conf. Mach. Learn., vol. 2, no. 1973, hal. 616 623, 2003.
L. Breiman, “Random Forests,” Mach. Learn., vol. 45, no. 1, hal. 5–32, 2001, doi: 10.1023/A:1010933404324.
C. Cortes dan V. Vapnik, “Support-vector networks,” Mach. Learn., vol. 20, no. 3, hal. 273–297, 1995, doi: 10.1007/BF00994018.
H. Zhang, X. Wang, C. Zhang, dan X. Xu, “A fast SMO training algorithm for support vector regression,” Lect. Notes Comput. Sci., vol. 3610, no. PART I, hal. 221–224, 2005, doi: 10.1007/11539087_26.
S. Rahman dan K. Adhikari, “Comparative Analysis of SVM and CNN for Sonar Signal Classification Using Sparse Arrays,” IEEE Access, vol. 12, hal. 59818–59830, 2024, doi: 10.1109/ACCESS.2024.3393893.
P. Recognition dan M. Learning, B o o k r e v i e w, vol. 16, no. 4. 2007.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 2019.
Y. Bengio dan Y. Lecun, “Scaling Learning Algorithms towards AI To appear in ‘ Large Scale Kernel Machines ’,” New York, no. 1, hal. 1–41, 2007.
