ANALISIS PERBANDINGAN KINERJA ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN K-NEAREST NEIGHBORS (KNN) UN

Abstrak

Tugas klasifikasi merupakan inti dari disiplin ilmu machine learning (ML) dan pattern recognition. Penelitian ini berfokus pada perbandingan kinerja dua algoritma klasifikasi yang memiliki filosofi kerja berbeda: Support Vector Machine (SVM), sebuah model berbasis margin yang powerful, dan K-Nearest Neighbors (KNN), sebuah model berbasis instance yang sederhana. Dataset yang digunakan adalah Dataset Iris, sebuah benchmark klasik dengan 150 sampel. Eksperimen dilakukan dengan pembagian data 80% data latih dan 20% data uji. Model diimplementasikan menggunakan Python dan library Scikit-learn. Evaluasi model didasarkan pada metrik Akurasi dan Presisi (Macro Average). Hasil penelitian menunjukkan kinerja sempurna dari kedua model, yaitu Akurasi 100% dan Presisi 100% pada data uji. Analisis mendalam mengkonfirmasi bahwa hasil ini disebabkan oleh karakteristik inheren Dataset Iris, di mana kelas-kelasnya, terutama Iris-setosa, dapat dipisahkan secara linear, yang menunjukkan efektivitas tinggi kedua algoritma untuk masalah klasifikasi yang terstruktur dengan baik.