Optimasi Hyperparameter GridSearchCV pada Klasifikasi Kualitas Udara menggunakan Support Vector Machine

Abstract

Kualitas udara adalah salah satu faktor kritis yang memberian dampak secara langsung pada kesehatan manusia. Zat-zat yang terkandung pada udara sangat beragam diantaranya adalah partikel halus (PM2.5 dan PM10), karbon monoksida (CO), nitrogen dioksida (NO2), dan sulfur dioksida (SO2). Semakin tinggi nilai dari kandungan-kandungan tersebut akan sangat berpengaruh terhadap kualitas udara yang dihasilkan. Data-data tersebut dapat diproses dan di olah menggunakan teknik data mining, salah satunya adalah SVM. Dalam penelitian ini, model klasifikasi data mining SVM diusulkan. Oleh karena itu, studi ini bertujuan untuk membuat model klasifikasi SVM menggunakan pendekatan baru, yang melibatkan peningkatan pemrosesan data yang memungkinkan pengaturan hyperparameter menggunakan GridSearchCV. Berdasarkan penelitian yang telah dilakukan untuk proses klasifikasi kualitas udara, kernel rbf digunakan untuk menghasilkan parameter yang paling akurat, dengan nilai C = 100 dan gamma 0.1. Sebelum optimasi, akurasi menggunakan SVM adalah 96%, presisi 97%, recall 91%, dan F1-Score 94%. Setelah optimasi, akurasi meningkat sebesar 2%, menjadi 98%. Nilai presisi, recall, dan F1-Score juga meningkat, masing-masing menjadi 97%, 96%, dan 96%, masing-masing.