Abstract:Abstract: Automated batik motif classification is challenged by high inter-class similarity and texture complexity. This study proposes a hybrid model integrating MobileNetV2 as a feature extractor and Support Vector Machine…
hine (SVM) as the classifier to optimize accuracy and efficiency. Utilizing a Kaggle dataset of 8,640 images across 20 batik categories, the data was partitioned into 420 training images per class (Dayak: 360) and 15 testing images per class. The results demonstrate superior performance with 96.00% accuracy, exceeding the 90% target. The system showed high computational efficiency with a total execution time of 359.92 seconds and feature extraction taking only 22.63 seconds. This hybrid approach provides an ideal performance balance for resource-constrained mobile applications.
Keywords: batik classification; MobileNetV2; support vector machine; hybrid model; computational efficiency
Abstrak: Klasifikasi motif batik secara otomatis menghadapi tantangan kemiripan visual antar-kelas yang tinggi. Penelitian ini bertujuan mengoptimalkan akurasi dan efisiensi pengenalan batik menggunakan model hibrida MobileNetV2 sebagai pengekstraksi fitur dan Support Vector Machine (SVM) sebagai klasifikator. Menggunakan dataset Kaggle berisi 8.640 citra dari 20 kategori batik, data dibagi menjadi 420 citra latih per kelas (kecuali Batik Dayak 360) dan 15 citra uji per kelas. Hasil eksperimen menunjukkan performa impresif dengan akurasi 96,00%, melampaui target awal 90%. Sistem ini sangat efisien dengan total waktu eksekusi 359,92 detik, di mana ekstraksi fitur hanya membutuhkan 22,63 detik. Kombinasi MobileNetV2 dan SVM memberikan keseimbangan performa ideal untuk implementasi pada perangkat bergerak dengan sumber daya terbatas.
Kata kunci: klasifikasi batik; MobileNetV2; Support Vector Machine; Hybrid Model; efisiensi komputasi
Abstract:Abstract: Stunting is a chronic nutritional condition in toddlers characterized by a Height-for-Age (HFA) measurement below the standard growth threshold, necessitating early detection to prevent long-term consequences.…
This study aims to classify toddler stunting status by comparing three machine learning methods: Random Forest (RF), K-Nearest Neighbor (KNN), and Support Vector Machine (SVM). The dataset comprises 345 toddler records from Puskesmas Indramayu (2025), including weight, height, and nutritional status based on WFA, HFA, and WFH indicators. Preprocessing steps include data cleaning, StandardScaler normalization, One-Hot Encoding for categorical features, and splitting the training and testing data with a ratio of 80:20. The comparison results are that KNN achieved the best performance with an accuracy of 71.01%, a precision of 0.69, a recall of 0.69, and an F1 score of 0.67, while RF and SVM both had an accuracy of 69.57% with F1 scores of 0.67 and 0.68, respectively. Thus, KNN demonstrated superior effectiveness in classifying the stunting status of toddlers compared to RF and SVM on this dataset.
Keywords: KNN; Random Forest; SVM; Stunting; toddlers
Abstract: Stunting adalah kondisi gizi kronis pada balita yang ditandai dengan pengukuran Tinggi Badan menurut Usia (HFA) di bawah ambang batas pertumbuhan standar, sehingga memerlukan deteksi dini untuk mencegah konsekuensi jangka panjang. Penelitian ini bertujuan untuk mengklasfikasikan status stunting pada balita dengan membandingkan tiga metode pembelajaran mesin: Random Forest (RF), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Kumpulan data terdiri dari 345 catatan balita dari puskesmas indramayu (2025), termaksut brat badan, tinggi badan, dan status gizi berdasarkan indicator WFA, HFA, dan WFH. Langkah-langkah prapemrosesan meliputi pembersian data, normalisasi Stand-ardScaler, One-Hot Encoding untuk fitur kategirikal, serta pembagian data pelatihan dan pengujian dengan rasio 80:20. Hasil perbadingan adalah KNN mencapai kinerja terbaik dengan akurasi 71,01%, presisi 0,69, recall 0,69, dan skor F1 sebesar 0,67, RF dan SVM keduanya memiliki akurasi 69,57% dengan skor F1 masing-masing sebesar 0,67 dan 0,68. Dengan demikian, KNN menunjukkan keefektifan yang lebih unggul dalam mengklasifikasikan status stunting balita dibandingkan dengan RF dan SVM pada da-taset ini.
Kata kunci: KNN; random forest; SVM; Stunting; Balita
Abstract:Abstract: The policy to increase the Rural and Urban Land and Building Tax (PBB-P2) in Indonesia often elicits mixed reactions from the public. Some support it because they believe it can strengthen regional fiscal capacity,…
ity, while others reject it because they are concerned that it will increase the economic burden on the community. Understanding public sentiment towards this policy is important for evaluating the effectiveness of the policy and formulating appropriate communication strategies. This study aims to analyze public sentiment towards the PBB-P2 increase policy using data uploaded on Platform X (Twitter). The data were collected through crawling with the keyword “building tax,” then processed through several preprocessing stages before classifying tweets into positive and negative sentiments. Two models were used: Support Vector Machine (SVM) and Bidirectional Long Short-Term Memory (BiLSTM). Results show that SVM outperformed BiLSTM, achieving training accuracy of 99.4% and testing accuracy of 85.9%, with accuracy 0.8595, precision 0.8536, recall 0.8595, and F1-score 0.8449. Meanwhile, BiLSTM achieved training accuracy of 86.9% and testing accuracy of 82.9%, with accuracy 0.8294, precision 0.8150, recall 0.8294, and F1-score 0.8080. These findings suggest SVM is more effective in classifying public sentiment and can support better evaluation of regional tax policies.
Keywords: sentiment analysis; PBB-P2; BiLSTM; SVM; X platform
Abstrak: Kebijakan kenaikan tarif Pajak Bumi dan Bangunan Perdesaan dan Perkotaan (PBB-P2) di In-donesia sering memunculkan beragam reaksi dari masyarakat. Sebagian mendukung karena dianggap dapat memperkuat kapasitas fiskal daerah, sementara lainnya menolak karena kha-watir menambah beban ekonomi masyarakat. Pemahaman terhadap sentimen publik atas ke-bijakan tersebut penting untuk mengevaluasi efektivitas kebijakan dan merumuskan strategi komunikasi yang tepat. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap kebijakan kenaikan PBB-P2 menggunakan data unggahan di Platform X (Twitter). Data dik-umpulkan melalui proses crawling dengan kata kunci “pajak bangunan” kemudian diproses melalui beberapa tahap preprocessing sebelum diklasifikasikan menjadi sentimen positif dan negatif. Dua model digunakan dalam penelitian ini, yaitu Support Vector Machine (SVM) dan Bidirectional Long Short-Term Memory (BiLSTM). Hasil penelitian menunjukkan bahwa SVM memiliki kinerja lebih baik dibandingkan BiLSTM, dengan akurasi pelatihan 99,4% dan akurasi pengujian 85,9%. Nilai akurasi 0,8595, precision 0,8536, recall 0,8595, dan F1-score 0,8449. Sementara itu, BiLSTM memperoleh akurasi pelatihan 86,9% dan akurasi pengujian 82,9%, dengan akurasi 0,8294, precision 0,8150; recall 0,8294; dan F1-score 0,8080. Temuan ini menunjukkan bahwa SVM lebih efektif dalam mengklasifikasikan sentimen publik serta dapat mendukung evaluasi kebijakan pajak daerah dengan lebih baik.
Kata kunci: analisis sentimen; PBB-P2; BiLSTM; SVM; platform X
Abstract:Abstract: The increasing use of digital banking applications has led to the need for a deeper understanding of user perceptions, especially through aspect-based sentiment analysis. This study aims to classify the sentiment…
nt of SeaBank app users by focusing on four main aspects: learnability, efficiency, technical issues or errors, and satisfaction. Review data totaling 1,971 comments were collected from the Google Play Store and labeled with sentiments based on the scores (ratings) given by users. The CRISP-DM approach serves as the methodological framework for this study, which includes five classification algorithms: Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (k-NN), Decision Tree, and Random Forest. The evaluation results show that the SVM algorithm provides the best performance with the highest average value of the four aspects achieving accuracy of 93.91%, Precision of 91.16%, recall of 97.96% and F1-Measure of 94.33%. According to the research findings, the Support Vector Machine (SVM) algorithm provides the best performance when performing aspect-based sentiment analysis on text data from digital banking application reviews. The findings are expected to serve as a reference for the development of automated evaluation systems that rely on user opinions as the basis for decision making.
Keywords: aspects; CRISP-DM; digital Banking; seabank; sentiment analysis
Abstrak: Peningkatan pemakaian aplikasi perbankan digital mendorong perlunya pemahaman yang lebih dalam mengenai persepsi pengguna, terutama melalui analisis sentimen berbasis aspek. Penelitian ini bertujuan untuk mengklasifikasikan sentimen pengguna aplikasi SeaBank dengan berfokus pada empat aspek utama: kemudahan dipelajari (learnability), efisiensi penggunaan (efficiency), kendala atau kesalahan teknis (error), serta tingkat kepuasan (satisfaction). Data ulasan berjumlah 1.971 komentar dikumpulkan dari Google Play Store dan diberi label sentimen berdasarkan skor (rating) yang diberikan oleh pengguna. Pendekatan CRISP-DM berfungsi sebagai kerangka metodologis untuk penelitian ini, yang mencakup lima algoritma klasifikasi: Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (k-NN), Decision Tree, dan Random Forest. Hasil evaluasi menunjukkan bahwa algoritma SVM memberikan performa terbaik dengan nilai rata-rata dari ke empat aspek tertinggi yang mencapai accuracy sebesar 93.91%, Precision sebesar 91.16%, recall sebesar 97.96% dan F1-Measure sebesar 94.33%. Menurut temuan penelitian, algoritma Support Vector Machine (SVM) memberikan kinerja terbaik saat melakukan analisis sentimen berbasis aspek pada data teks dari ulasan aplikasi Seabank. Temuan ini diharapkan dapat menjadi referensi bagi pengembangan sistem evaluasi otomatis yang mengandalkan opini pengguna sebagai dasar pengambilan keputusan.
Kata kunci: Analisis Sentimen, Aspek, Bank Digital, SeaBank, CRISP-DM
Abstract:Abstract: This study applies an integrated approach to optimize heart failure classification. The main objective is to address the challenge of class imbalance in medical datasets and to improve the accuracy, sensitivity,…
, and generalization of the classification model. The urgency of this issue is emphasized by statistics showing that cardiovascular diseases cause approximately 17.9 million deaths worldwide each year. Using a quantitative experimental approach, this study analyzes the "Heart Failure Prediction Dataset" from Kaggle, which consists of 918 records. The data were processed through normalization and encoding, followed by the application of SMOTE on the training set to balance class distribution. This step successfully increased model accuracy from 88.41% to 90.22% and minority class recall from 0.82 to 0.88. Furthermore, Bayesian Optimization was employed to refine the hyperparameters of SVM, resulting in a final model with an accuracy of 89.13% that demonstrated better generalization. This integrated approach significantly enhances the stability, sensitivity, and generalization of the model, making it a reliable tool for clinical decision support systems in predicting heart failure.
Keywords: bayesian optimization; heart failure; machine learning; SMOTE; SVM.
Abstrak: Penelitian ini menerapkan pendekatan terintegrasi untuk mengoptimalkan klasifikasi gagal jantung. Tujuan utama studi ini adalah untuk mengatasi tantangan ketidakseimbangan kelas dalam dataset medis dan meningkatkan akurasi, sensitivitas, serta generalisasi model klasifikasi. Urgensi ini ditegaskan oleh statistik yang menunjukkan bahwa penyakit kardiovaskular menyebabkan sekitar 17,9 juta kematian setiap tahun secara global. Menggunakan pendekatan eksperimental kuantitatif, penelitian ini menganalisis "Heart Failure Prediction Dataset" dari Kaggle, yang terdiri dari 918 catatan. Data diproses dengan normalisasi dan encoding, lalu SMOTE diterapkan pada data pelatihan untuk menyeimbangkan distribusi kelas. Langkah ini berhasil meningkatkan akurasi dari 88,41% menjadi 90,22% dan recall kelas minoritas dari 0,82 menjadi 0,88. Selanjutnya, Bayesian Optimization menyempurnakan hyperparameter SVM, menghasilkan model akhir dengan akurasi 89,13% yang menunjukkan generalisasi lebih baik. Pendekatan terintegrasi ini secara signifikan meningkatkan stabilitas, sensitivitas, dan generalisasi model. Hasil penelitian ini menjadikannya alat yang andal untuk sistem pendukung keputusan klinis dalam prediksi gagal jantung.
Kata kunci: bayesian optimization; gagal jantung; machine learning; SMOTE; SVM
Abstract:Abstract: Non-performing loans remain one of the main challenges faced by cooperatives, particularly when the loan eligibility assessment process is still conducted manually. This traditional approach tends to be time consuming,…
nsuming, subjective, and prone to inaccurate decisions. This study aims to develop a predictive model for borrower eligibility using the Support Vector Machine (SVM) algorithm as a more efficient and objective machine learning-based solution. A total of 1,000 loan history records were processed using RapidMiner software, taking into account variables such as salary, years of employment, loan amount, monthly installment, employment status, monthly expenses, number of dependents, housing status, age, and collateral value. The model’s performance was evaluated using a confusion matrix and classification metrics including accuracy, precision, recall, and kappa. The results indicate that the SVM model achieved an accuracy of 90.05%, precision of 90.13%, recall of 90.05%, and f1 score of 90,08%, reflecting a strong performance in classifying borrower eligibility. The application of this method makes a significant contribution to the development of data driven decision support systems within cooperative environments. This finding expands the scientific understanding in the field of microfinance and supports the implementation of artificial intelligence technologies in making decisions that are more precise, rapid, and accurate.
Keywords: cooperative; eligibility prediction; machine learning; non-performing loan; SVM
Abstrak: Kredit macet merupakan salah satu permasalahan utama yang dihadapi koperasi, terutama ketika proses penilaian kelayakan peminjam masih dilakukan secara manual. Pendekatan ini cenderung lambat, subjektif, dan berisiko menghasilkan keputusan yang kurang akurat. Penelitian ini bertujuan untuk membangun model prediksi kelayakan peminjam menggunakan algoritma Support Vector Machine (SVM) sebagai solusi berbasis machine learning yang lebih efisien dan objektif. Sebanyak 1.000 data riwayat pinjaman diolah menggunakan tools RapidMiner dengan mempertimbangkan variabel: gaji, lama bekerja, besar pinjaman, angsuran per bulan, status pegawai, pengeluaran bulanan, jumlah tanggungan, status rumah, umur, dan nilai jaminan. Evaluasi model dilakukan menggunakan confusion matrix dan metrik klasifikasi seperti akurasi, presisi, recall, dan kappa. Hasil menunjukkan bahwa model SVM mencapai akurasi 90,05%, presisi 90,13%, recall 90,05%, dan f1 score 90,08%, yang mencerminkan performa model yang sangat baik dalam mengklasifikasikan kelayakan peminjam. Penerapan metode ini memberikan kontribusi penting dalam pengembangan sistem pendukung keputusan berbasis data di lingkungan koperasi. Temuan ini memperluas wawasan keilmuan di bidang keuangan mikro dan mendukung penerapan teknologi kecerdasan buatan dalam pengambilan keputusan yang lebih tepat, cepat, dan akurat.
Kata Kunci: koperasi; kredit macet; machine learning; prediksi kelayakan; SVM
Abstract:Abstract: The Halodoc application, as a digital healthcare service platform, has been widely used for various medical purposes, such as doctor consultations, medication purchases, and laboratory services. User interactions…
ns and reviews play a crucial role in enhancing service quality. Sentiment analysis was conducted using the Support Vector Machine (SVM) method to assess user perceptions and satisfaction based on reviews obtained from the Google Play Store platform. The analysis process included data collection, text preprocessing, data transformation using TF-IDF, and training an SVM model to predict sentiment. The model achieved its highest accuracy of 88.32% in the first scenario. However, accuracy slightly decreased in the second and third scenarios, reaching 86.25% and 86.94%, respectively. The analysis results indicated that the model performed best in the first scenario, with the lowest number of prediction errors. Additionally, the model was more accurate in classifying negative and positive sentiments than neutral ones.
Keywords: halodoc application; sentiment analysis; support vector machine algorithm
Abstrak: Aplikasi Halodoc, sebagai platform layanan kesehatan digital, telah banyak digunakan untuk berbagai keperluan medis seperti konsultasi dokter, pembelian obat, dan layanan laboratorium. Interaksi pengguna dan ulasan mereka memiliki peran krusial dalam meningkatkan mutu layanan. Analisis sentimen dilakukan dengan menggunakan metode Support Vector Machine (SVM) untuk mengetahui persepsi dan kepuasan pengguna berdasarkan ulasan yang diperoleh dari Platform Google Play Store. Proses analisis mencakup pengumpulan data, pra-pemrosesan teks, transformasi data menggunakan TF-IDF, dan pelatihan model SVM untuk memprediksi sentimen. Hasil pelatihan model dengan akurasi tertinggi sebesar 88,32% pada skenario pertama. Akurasi sedikit menurun pada skenario kedua dan ketiga, masing-masing sebesar 86,25% dan 86,94%, Hasil analisa menunjukkan bahwa model memiliki performa terbaik pada skenario pertama dengan jumlah kesalahan prediksi terkecil. Selain itu, model cenderung lebih akurat dalam mengklasifikasikan sentimen negatif dan positif dibandingkan netral..
Kata kunci: algoritma support vector machine; analisis sentimen; aplikasi halodoc
Abstract:Abstract: The advancement of network security faces growing challenges as cyberattacks become more sophisticated. Traditional rule-based systems struggle with zero-day attacks and obfuscation techniques. This study examines…
nes the development trends of AI-based algo-rithms, particularly machine learning and deep learning, in threat detection. A literature review evaluates AI-driven approaches, including support vector machines, random for-est, deep neural networks, convolutional neural networks, and reinforcement learning. Findings show that AI enhances detection accuracy, adaptability, and reduces false posi-tives. Machine learning efficiently classifies known attacks, while deep learning excels in identifying complex patterns such as distributed denial-of-service and advanced persis-tent threats. Unsupervised learning improves anomaly detection without labeled data. However, AI models require high-quality data, substantial computational resources, and remain vulnerable to adversarial attacks. Despite these challenges, AI provides a dynam-ic and adaptive security solution, surpassing traditional systems. Future research should enhance AI scalability and resilience for evolving cybersecurity threats.
Keywords: anomaly detection; artificial intelligence; deep learning; machine learning; network security
Abstrak: Perkembangan keamanan jaringan menghadapi tantangan yang semakin besar seiring meningkatnya kompleksitas serangan siber. Sistem berbasis aturan tradisional kesulitan mendeteksi zero-day attack dan teknik penyamaran. Penelitian ini mengkaji tren pengembangan algoritma berbasis AI, khususnya machine learning dan deep learning, dalam deteksi ancaman. Literature review mengevaluasi pendekatan berbasis AI, termasuk support vector machines, random forest, deep neural networks, convolutional neural networks, dan reinforcement learning. Hasil penelitian menunjukkan bahwa AI meningkatkan akurasi deteksi, adaptabilitas terhadap ancaman baru, serta mengurangi false positive. Machine learning efektif mengklasifikasikan serangan yang telah diketahui, sementara deep learning unggul dalam mengenali pola kompleks seperti distributed denial-of-service dan advanced persistent threats. Unsupervised learning meningkatkan deteksi anomali tanpa memerlukan data berlabel. Namun, AI masih bergantung pada data berkualitas tinggi, sumber daya komputasi besar, dan rentan terhadap adversarial attack. Meskipun demikian, AI menawarkan solusi keamanan yang lebih dinamis dan adaptif dibandingkan sistem tradisional. Penelitian selanjutnya perlu difokuskan pada peningkatan skalabilitas dan ketahanan AI dalam menghadapi ancaman siber yang terus berkembang.
Kata kunci: deteksi anomali; jaringan keamanan; kecerdasan buatan; pembelajaran dalam; pembelajaran mesin
Abstract:Abstract: Heart disease is one of the leading causes of death worldwide, making early detection and accurate diagnosis crucial for reducing mortality rates and improving patient outcomes. This study aims to evaluate the…
effectiveness of four machine learning algorithms—Logistic Regression, Random Forest, Support Vector Machine (SVM), and K-Nearest Neighbors (KNN)—in predicting heart disease, with a focus on enhancing model performance using Linear Discriminant Analysis (LDA) for feature reduction. Among the models, SVM achieved the highest accuracy at 84.24%, followed by Logistic Regression at 83.70%. Although Random Forest and KNN showed lower accuracies, all models benefited from LDA's dimensionality reduction. This study suggests that SVM, combined with LDA, offers an optimal solution for early and accurate heart disease prediction in the healthcare industry.
Keywords: feature reduction; heart disease; linear discriminant analysis (LDA); machine learning; SVM
Abstrak: Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia, sehingga deteksi dini dan diagnosis yang akurat sangat penting untuk menurunkan angka kematian dan meningkatkan hasil pengobatan pasien. Penelitian ini bertujuan untuk mengevaluasi efektivitas empat algoritma pembelajaran mesin—Regresi Logistik, Random Forest, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN)—dalam memprediksi penyakit jantung, dengan fokus pada peningkatan kinerja model menggunakan Analisis Diskriminan Linear (LDA) untuk reduksi fitur. Di antara model yang diuji, SVM mencapai akurasi tertinggi sebesar 84,24%, diikuti oleh Regresi Logistik dengan 83,70%. Meskipun Random Forest dan KNN menunjukkan akurasi yang lebih rendah, semua model memperoleh manfaat dari reduksi dimensi yang diberikan oleh LDA. Studi ini menunjukkan bahwa SVM yang dikombinasikan dengan LDA merupakan solusi optimal untuk prediksi penyakit jantung secara dini dan akurat dalam industri kesehatan.
Kata kunci: linear discriminant analysis (LDA); machine learning; penyakit jantung; reduksi fitur; SVM.
Abstract:Abstract: Feature selection is a crucial process that is very important to improve the performance of machine learning models, in accordance with data preprocessing. The feature selection process can be considered as a global…
lobal combinatorial optimization problem in machine learning, which reduces the number of features, eliminates irrelevant data, and produces acceptable classification accuracy. The purpose of this study is to predict or determine the results of the electrical installation operation feasibility test based on data and obtain attribute selection features, and obtain accuracy level results. The Particle Swarm Optimization (PSO) approach is used to select the right characteristics to determine the results of the electrical installation operation feasibility test because attribute selection is needed in data analysis, because the PSO method will increase accuracy than just SVM in determining attribute selection. If SVM is used with PSO, the accuracy value is 96% and AUC is 0.994%, while the SVM method produces an accuracy level of 94.89% and AUC of 0.994%. With this finding, the accuracy value increases by 2%, making it a very good categorization category. It has been proven that the use of Particle Swarm Optimization (PSO) based algorithms can improve and improve results.
Keywords: PSO; SVM; Certification
Abstrak: Pemilihan fitur merupakan proses krusial yang sangat penting untuk meningkatkan kinerja model machine learning, sesuai dengan praproses data. Proses pemilihan fitur dapat dianggap sebagai masalah optimasi kombinatorial global dalam pembelajaran mesin, yang mengurangi jumlah fitur, menghilangkan data yang tidak relevan, dan menghasilkan akurasi klasifikasi yang dapat diterima. Tujuan dari penelitian ini adalah untuk memprediksi atau menentukan hasil uji kelayakan operasi instalasi listrik berdasarkan data dan memperoleh fitur pemilihan atribut, serta memperoleh hasil tingkat akurasi. Pendekatan Particle Swarm Optimization (PSO) digunakan untuk memilih karakteristik yang tepat untuk menentukan hasil uji kelayakan operasi instalasi listrik karena pemilihan atribut diperlukan dalam analisis data, karena metode PSO akan meningkatkan akurasi dari pada hanya SVM dalam menentukan pemilihan atribut. Jika SVM digunakan dengan PSO, nilai akurasinya adalah 96% dan AUC sebesar 0,994%, sedangkan metode SVM menghasilkan tingkat akurasi sebesar 94,89% dan AUC sebesar 0,994%. Dengan temuan ini, nilai akurasi meningkat sebesar 2%, menjadikannya kategori kategorisasi yang sangat baik. Telah terbukti bahwa penggunaan algoritma berbasis Particle Swarm Optimization (PSO) dapat meningkatkan dan memperbaiki hasil.
Kata kunci: PSO; SVM; Sertifikasi