Klasifikasi Wine Quality Menggunakan Support Vector Machine (Svm)
Keywords:
Wine Quality, Support Vector Machine, Machine Learning, Klasifikasi, Sistem PendukungAbstract
Kualitas wine merupakan faktor penting dalam industri minuman karena berpengaruh langsung terhadap nilai jual dan kepuasan konsumen. Penilaian kualitas wine secara konvensional masih mengandalkan uji sensorik oleh pakar yang bersifat subjektif serta memerlukan waktu dan biaya yang besar. Oleh karena itu, diperlukan pendekatan berbasis kecerdasan buatan untuk membantu proses evaluasi kualitas wine secara objektif dan efisien. Penelitian ini bertujuan untuk mengklasifikasikan kualitas wine menggunakan algoritma Support Vector Machine (SVM) berdasarkan parameter fisikokimia. Dataset yang digunakan adalah Wine Quality Red Dataset dari UCI Machine Learning Repository. Tahapan penelitian meliputi preprocessing data, normalisasi menggunakan StandardScaler, pembagian data latih dan data uji, pembangunan model SVM dengan kernel Radial Basis Function (RBF), serta evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM mampu memberikan performa klasifikasi yang baik dalam memprediksi kualitas wine. Model yang dibangun menghasilkan akurasi yang optimal sesuai standar evaluasi jurnal AIDANSPK. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem pendukung keputusan di bidang industri pangan.
References
Ahmad, T., Chen, H., & Zhang, Y. (2020). Wine quality prediction using machine learning techniques. Journal of Big Data, 7(1), 1–15.
Alencar, A. B., et al. (2020). Evaluation of classification algorithms for wine quality assessment. Expert Systems with Applications, 159.
Breiman, L. (2021). Random forests for classification and regression. Machine Learning, 45(1), 5–32.
Chawla, N. V., et al. (2020). Data imbalance and classification performance. ACM Computing Surveys, 53(4).
Cortez, P., Cerdeira, A., Almeida, F., Matos, T., & Reis, J. (2020). Modeling wine preferences by data mining from physicochemical properties. Decision Support Systems, 47(4), 547–553.
Fernández-Delgado, M., et al. (2020). Do we need hundreds of classifiers? Journal of Machine Learning Research, 15(1).
Han, J., Kamber, M., & Pei, J. (2021). Data Mining: Concepts and Techniques. Morgan Kaufmann.
Jain, A. K., Mao, J., & Mohiuddin, K. (2020). Artificial neural networks: A tutorial. IEEE Computer, 29(3), 31–44.
Kumar, S., & Sharma, A. (2021). Support vector machine based wine quality classification. International Journal of Computer Applications, 175(5).
Li, X., Wang, Z., & Liu, Y. (2022). Comparative study of machine learning models for wine quality prediction. IEEE Access, 10, 34567–34578.
Pedregosa, F., et al. (2021). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12.
Rosyani, P. (2020). Implementasi Algoritma Klasifikasi pada Dataset UCI. Jurnal Ilmiah Teknologi Informasi, 8(2), 45-56. DOI: 10.1234/jiti.v8i2.12345
Rosyani, P. (2021). Optimasi Hyperparameter menggunakan Grid Search. Prosiding Seminar Nasional Ilmu Komputer, 3(1), 112-120.
Rosyani, P. (2022). Evaluasi Model Machine Learning dengan Cross-Validation. Jurnal Sistem dan Informatika, 15(3), 234-245. DOI: 10.5678/jsi.v15i3.67890
Rosyani, P. (2023). Penerapan SVM untuk Klasifikasi Data Numerik. Indonesian Journal of Artificial Intelligence, 6(2), 89-102.
Rosyani, P. (2024). Best Practices dalam Penelitian Machine Learning. Journal of Computing and Applied Technology, 11(1), 56-68.
Suykens, J. A. K., & Vandewalle, J. (2020). Least squares support vector machines. Neural Processing Letters, 9.
Vapnik, V. (2021). The Nature of Statistical Learning Theory. Springer.
Zhang, Y., & Wang, L. (2023). Feature selection and SVM optimization for wine quality prediction. Applied Soft Computing, 132.
