Klasifikasi Wine Quality Menggunakan Support Vector Machine (SVM)

Abstract

Penilaian kualitas wine selama ini masih banyak bergantung pada evaluasi subjektif oleh panel ahli, yang berpotensi menimbulkan ketidakkonsistenan hasil. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kualitas wine secara otomatis dengan memanfaatkan algoritma Support Vector Machine (SVM). Dataset Wine Quality Red yang bersumber dari UCI Machine Learning Repository digunakan sebagai objek penelitian, terdiri dari 1.599 data dengan 11 atribut fisikokimia. Tahapan penelitian meliputi proses standarisasi data menggunakan StandardScaler, pemodelan SVM dengan kernel Linear, Radial Basis Function (RBF), dan Polynomial, serta optimasi hyperparameter melalui Grid Search dan validasi silang 5- fold. Hasil pengujian menunjukkan bahwa kernel RBF dengan parameter optimal (C=100, gamma=0.1, dan class_weight='balanced') menghasilkan performa terbaik dengan akurasi sebesar 66,88%, nilai precision macro 0,519, recall macro 0,529, serta F1-score macro 0,514. Optimasi parameter dan penskalaan fitur terbukti mampu meningkatkan kinerja model secara signifikan. Dengan demikian, SVM berpotensi menjadi pendekatan yang efektif dalam mendukung klasifikasi kualitas wine secara objektif dan konsisten.