Penerapan Algoritma Genetika untuk Optimasi Parameter pada Support Vector Machine untuk Meningkatkan Prediksi Pemasaran Langsung

Ispandi Ispandi, Romi Satria Wahono

Abstract


Abstract: Pemasaran langsung adalah proses mengidentifikasi potensi pembeli produk tertentu dan mempromosikan produk dengan sesuai. pelaksanaan pemasaran langsung dari waktu ke waktu menghasilkan data dan informasi dalam bentuk laporan yang perlu di analisis oleh manajer dalam rangka mendukung keputusan. Namun itu adalah tugas yang sulit bagi manusia untuk menganalisis data yang kompleks yang luas. Kesulitan ini menyebabkan perkembangan teknik intelejen bisnis, yang bertujuan mengklasifikasi pengetahuan yang berguna untuk mendukung pengambilan keputusan. Metode support vector machine mampu mengatasi masalah yang berdimensi tinggi, mengatasi masalah klasifikasi dan regresi dengan linier ataupun nonlinier kernel yang dapat menjadi satu kemampuan algoritma pembelajaran untuk klasifikasi serta regresi, namun support vector machine memiliki masalah dalam pemilihan parameter yang sesuai. Untuk mengatasi masalah tersebut di perlukan metode algoritma genetika untuk pemilihan parameter yang sesuai pada metode support vector machine. Beberapa eksperimen dilakukan untuk mendapatkan akurasi yang optimal. Hasil penelitian menunjukan, eksperimen dengan menggunakan metode support vector machine dan algoritma genetika yang digunakan untuk melakukan optimasi parameter C, γ dan ε dengan tiga jenis kernel. Kernel pertama tipe kernel dot dengan akurasi sebesar 85,59%, AUC sebesar 0,911 yang kedua tipe kernel radial dengan akurasi sebesar 98.89%, AUC sebesar 0,981 dan yang ketiga dengan tipe kernel Polynomial dengan akurasi sebesar 98.67% dan AUC sebesar 0.938. Hasil eksperimen tersebut menunjukan pengujian data set menggunakan penerapan algoritma genetika pada support vector machine menunjukan hasil yang lebih akurat untuk prediksi pemasaran langsung.

.

 


Full Text:

PDF

References


Aydin, I., Karakose, M., & Akin, E. (2011). A multi-objective artificial immune algorithm for parameter optimization in support vector machine. Applied Soft Computing, 11, 120–129.

Elsalamony, H. A., & Elsayad, A. M. (2013). Bank Direct Marketing Based on Neural Network and C5 . 0 Models. International Journal of Engineering and Advanced Technology (IJEAT), 2(6).

Frias-Martinez, E., Sanchez, A., & Velez, J. (2010). Support vector machines versus multi-layer perceptrons for efficient off-line signature recognition. Engineering Applications of Artificial Intelligence, 19(6), 693–704.

Ilhan, I., & Tezel, G. (2013). A genetic algorithm-support vector machine method with parameter optimization for selecting the tag SNPs. Journal of Biomedical Informatics, 46(2), 328–40.

Kahrizi, A., & Hashemi, H. (2014). Neuron curve as a tool for performance evaluation of MLP and RBF architecture in first break picking of seismic data. Journal of Applied Geophysics, 108, 159–166.

Kara, Y., Acar, M., & Kaan, Ö. (2011). Expert Systems with Applications Predicting direction of stock price index movement using artificial neural networks and support vector machines : The sample of the Istanbul Stock Exchange. Expert Systems With Applications, 38(5), 5311–5319.

Khoshahval, F., Minuchehr, H., & Zolfaghari, a. (2011). Performance evaluation of PSO and GA in PWR core loading pattern optimization. Nuclear Engineering and Design, 241(3), 799–808.

Liu, H., Tian, H., Chen, C., & Li, Y. (2013). Electrical Power and Energy Systems An experimental investigation of two Wavelet-MLP hybrid frameworks for wind speed prediction using GA and PSO optimization, 52, 161–173.

Moro, S., & Laureano, R. M. S. (2012). Using Data Mining for Bank Direct Marketing: An application of the CRISP-DM methodology. European Simulation and Modelling Conference, (Figure 1), 117–121.

Ren, J. (2012). ANN vs. SVM: Which one performs better in classification of MCCs in mammogram imaging. Knowledge-Based Systems, 26, 144–153.

Rossi, L. D., & Soares, C. (2012). Neurocomputing Combining meta-learning and search techniques to select parameters for support vector machines. Neurocomputing, 75, 3–13.

Shi, Y., Tian, Y., & Kou, G. (2011). Optimization Based Data Mining Theory and Applications. (xx, Ed.). Springer London.

Shukla, A., Tiwari, R., & Kala, R. (2010). Real Life Application of Soft Computing. CRC Press.

Talla, F., Leus, R. &, & Spieksma, F. C. R. (2011). Optimization models for targeted offers in direct marketing: Exact and heuristic algorithms. European Journal of Operational Research, 210(3), 670–683.

Turban, E. (2012). Information Technology for Management. (B. L. Golub, Ed.) (8th ed.). United States of America: John Wiley & Sons, Inc.

Vieira, S. M., & Mendonc, L. F. (2013). Modified binary PSO for feature selection using SVM applied to mortality prediction of septic patients, 13, 3494–3504.

Wang, J. (2013). Data Mining Framework for Direct Marketing : A Case Study of Bank Marketing. International Journal of Computer Science and Issues, 10(2), 198–203.

Wang, Y., Chen, X., Jiang, W., Li, L., Li, W., Yang, L., … Li, X. (2013). Predicting human microRNA precursors based on an optimized feature subset generated by GA-SVM. Genomics, 98(2), 73–8.

Wang, Y., Li, Y., Wang, Q., Lv, Y., Wang, S., Chen, X., … Li, X. (2014). Computational identification of human long intergenic non-coding RNAs using a GA-SVM algorithm. Gene, 533(1), 94–9.

Witten, I. H. (2011). Data Mining Practical Machine Learning Tools and Techniques (3rd ed.). USA: Elsevier.

Wu, X., Kumar, V., Ross Quinlan, J., Ghosh, J., Yang, Q., Motoda, H., … Steinberg, D. (2007). Top 10 algorithms in data mining. Knowledge and Information Systems (Vol. 14, pp. 1–37).

Xiang, C. (2013). A Chaotic Time Series Forecasting Model Based on Parameters Simultaneous Optimization Algorithm. Journal of Information and Computational Science, 10(15), 4917–4930.

Yusup, N., Zain, A. M., Zaiton, S., & Hashim, M. (2012). Procedia Engineering Overview of PSO for Optimizing Process Parameters of Machining.

Zhao, M., Fu, C., Ji, L., Tang, K., & Zhou, M. (2011). Feature selection and parameter optimization for support vector machines: A new approach based on genetic algorithm with feature chromosomes. Expert Systems with Applications, 38(5), 5197–5204.


Refbacks

  • There are currently no refbacks.




Journal of Intelligent Systems (JIS, ISSN 2356-3982)
Copyright © 2015 IlmuKomputer.Com. All rights reserved.