Aplikasi Machine Learning Support Vector Machine (SVM)

Sedang mencari Source Code Aplikasi Machine Learning menggunakan algoritma Support Vector Machine (SVM) berbasis web dengan PHP Native dan MySQL tanpa Python? Aplikasi ini cocok untuk mahasiswa Teknik Informatika, Sistem Informasi, peneliti, maupun developer yang ingin mempelajari dan mengembangkan sistem klasifikasi menggunakan algoritma Support Vector Machine.

Aplikasi ini dibangun menggunakan 100% Pure PHP Native, sehingga tidak memerlukan Python, Anaconda, Flask, maupun library machine learning eksternal. Dapat dijalankan pada lingkungan XAMPP maupun Shared Hosting cPanel yang memenuhi persyaratan sistem.

Salah satu keunggulan utamanya adalah arsitektur Single-Case Dinamis, yang memungkinkan pengguna mengganti studi kasus, mengelola variabel fitur, menentukan kolom target, dan mengunggah dataset CSV langsung melalui antarmuka aplikasi tanpa perlu mengubah kode program.

Dengan dukungan empat fungsi kernel, konfigurasi hyperparameter, evaluasi model, serta transparansi perhitungan matematis, aplikasi ini dapat menjadi referensi untuk penelitian, Skripsi, Tugas Akhir, maupun pengembangan sistem klasifikasi berbasis web.

Kenapa Memilih Source Code Machine Learning SVM Ini?

• 100% Pure PHP Native dan MySQL: Algoritma Support Vector Machine diimplementasikan langsung menggunakan PHP Native dengan solver optimasi Platt's Sequential Minimal Optimization (SMO). Tidak membutuhkan Python, pip, Anaconda, Flask, maupun server machine learning terpisah. Mendukung PHP 7.4 hingga 8.3 sesuai kompatibilitas aplikasi.
• Multi-Studi Kasus Dinamis Tanpa Mengubah Coding: Pengguna dapat mengganti nama studi kasus, mengelola variabel fitur, mengunggah dataset CSV, dan menentukan kolom target melalui antarmuka aplikasi. Sistem juga mendukung pembacaan delimiter koma (,) maupun titik koma (;) serta pengenalan header CSV secara otomatis.
• Mendukung Klasifikasi Biner dan Multi-Kelas: Dapat digunakan untuk klasifikasi dua kelas maupun lebih dari dua kelas menggunakan pendekatan One-vs-Rest (OvR). Contohnya klasifikasi Layak/Tidak Layak, Ya/Tidak, maupun klasifikasi bunga Iris.
• Empat Pilihan Fungsi Kernel SVM: Menyediakan kernel Linear, RBF (Gaussian), Polynomial, dan Sigmoid untuk mendukung berbagai karakteristik permasalahan klasifikasi.
• Transparansi Perhitungan Matematis: Menampilkan tahapan perhitungan mulai dari normalisasi data, proses optimasi, pemilihan Support Vector, pengali Lagrange, hingga pembentukan persamaan Hyperplane. Sangat membantu dalam memahami algoritma dan menyusun pembahasan hasil penelitian pada Bab 4 Skripsi.
• Evaluasi dan Riwayat Model: Menyediakan evaluasi menggunakan Accuracy, Precision, Recall, F1-Score, serta Confusion Matrix. Model yang pernah dilatih dapat ditinjau kembali tanpa harus melakukan pelatihan ulang.

Fitur-Fitur Utama Aplikasi

1. Manajemen Studi Kasus, Kriteria, dan Dataset

• Dashboard Informatif: Menampilkan informasi studi kasus aktif, jumlah fitur input, jumlah data latih, model aktif, performa model, dan riwayat pengujian.
• Pengaturan Studi Kasus: Mengubah nama dan deskripsi kasus serta menyediakan fitur Reset/Kosongkan Kasus untuk memulai penelitian baru.
• Data Kriteria dan Target: Mengelola variabel fitur numerik maupun kategorikal, mengatur urutan variabel, serta menentukan kolom target klasifikasi melalui fitur Set Target.
• Import Dataset CSV: Mengunggah dataset dengan dukungan delimiter koma maupun titik koma, membaca header secara otomatis, serta mendukung penambahan atau penggantian data.
• Manajemen Data Latih: Mendukung penambahan data manual, penghapusan data per baris, dan navigasi data menggunakan pagination.
  
  

2. Pelatihan dan Evaluasi Model SVM

• Empat Pilihan Fungsi Kernel:
  • Linear
  • RBF (Gaussian)
  • Polynomial
  • Sigmoid
• Konfigurasi Hyperparameter:
  • Parameter penalti (C).
  • Parameter Gamma (γ) dengan pilihan scale, auto, maupun nilai kustom.
  • Derajat polinomial (Degree).
  • Maksimal iterasi SMO.
  • Random State (Seed) untuk membantu menjaga konsistensi pembagian data dan evaluasi.
  • Pembagian data Stratified Train-Test Split dengan pilihan 80:20, 70:30, 90:10, maupun 100% Full Dataset.
• Panduan Hyperparameter: Dilengkapi modal informasi dan edukasi untuk membantu pengguna memahami fungsi setiap parameter pelatihan.
• Penyimpanan Konfigurasi: Mengingat konfigurasi parameter pelatihan terakhir sehingga pengguna tidak perlu mengatur ulang setiap kali membuka halaman.
• Indikator Proses Pelatihan: Menampilkan Loading Overlay dan Progress Bar selama proses pelatihan berlangsung.
• Evaluasi dan Riwayat Model: Membandingkan hasil pelatihan dari berbagai konfigurasi kernel dan parameter, menampilkan penanda Model Terbaik Saat Ini, serta mengatur model aktif.
• Detail Perhitungan Model: Meninjau kembali Confusion Matrix dan tahapan matematis dari model yang telah tersimpan tanpa perlu melakukan pelatihan ulang.
  
  

3. Transparansi Perhitungan Matematis SVM

Aplikasi menyediakan rincian proses perhitungan algoritma Support Vector Machine yang dapat digunakan untuk memahami proses pembentukan model dan membantu penyusunan laporan penelitian.

Tahapan perhitungan yang ditampilkan meliputi:

1. StandardScaler (Z-Score): Menampilkan nilai rata-rata (μ), standar deviasi (σ), dan proses normalisasi menggunakan rumus Z-Score.
2. Support Vectors dan Lagrange Multiplier: Menampilkan data yang terpilih sebagai Support Vector beserta nilai pengali Lagrange (α) dan status Free atau Bounded.
3. Pembentukan Hyperplane: Menampilkan persamaan keputusan w · x + b = 0 beserta bobot setiap fitur untuk kernel Linear, atau fungsi keputusan f(x) untuk kernel non-linear.
4. Evaluasi Model: Menampilkan Accuracy, Precision, Recall, F1-Score, serta Confusion Matrix untuk mengevaluasi hasil klasifikasi.
   
   

4. Pengujian Prediksi dan Pengelolaan Sistem

• Uji Prediksi Tunggal: Melakukan pengujian data baru melalui formulir input yang menyesuaikan variabel fitur pada studi kasus aktif.
• Hasil Prediksi: Menampilkan kelas hasil prediksi, nilai margin keputusan f(x), dan persentase confidence berdasarkan mekanisme perhitungan aplikasi.
• Prediksi Massal (Batch CSV): Mengunggah dataset baru untuk melakukan klasifikasi secara massal dan mengunduh hasil prediksi dalam format CSV.
• Riwayat Pengujian: Menyimpan riwayat hasil prediksi beserta detail data input yang digunakan.
• Manajemen Pengguna: Mendukung hak akses bertingkat Administrator dan Operator serta fitur perubahan password.

Spesifikasi Teknologi dan Kebutuhan Sistem

• Bahasa Pemrograman: PHP Native versi 7.4–8.3.
• Database: MySQL / MariaDB menggunakan MySQLi.
• Framework Frontend: Bootstrap 5.
• Admin Template: Sneat Admin Template.
• Komponen Antarmuka: Boxicons.
• Responsive Layout: Mendukung tampilan desktop dan perangkat mobile.
• Web Server Lokal: XAMPP atau lingkungan server PHP yang kompatibel.
• Hosting: Shared Hosting cPanel yang memenuhi persyaratan versi PHP dan konfigurasi aplikasi.

Apa Saja yang Didapatkan dalam Paket Pembelian?

1. Full Source Code Aplikasi SVM (Folder SVM/): Source code versi standar yang bersih, siap digunakan, dan dikembangkan untuk kebutuhan studi kasus penelitian.
2. Database MySQL (adev_sc_ml_svm.sql): File database lengkap dengan struktur tabel, akun default, dan data awal untuk instalasi.
3. Sampel Dataset CSV (sample_datasets/): Kumpulan dataset contoh yang dapat digunakan untuk mencoba aplikasi, seperti klasifikasi penyakit diabetes, kelayakan kredit bank, dan klasifikasi bunga Iris multi-kelas.
4. File Excel Perhitungan Manual (Perhitungan_Metode_SVM.xlsx): Berisi rumus dan tahapan perhitungan manual metode SVM untuk membantu memahami algoritma dan menyusun laporan Skripsi atau Tugas Akhir.
5. Panduan Instalasi dan Penggunaan: File petunjuk instalasi mulai dari konfigurasi XAMPP, impor database, penggunaan aplikasi, hingga mengganti studi kasus dan dataset.

Cocok untuk Siapa?

Source code aplikasi SVM ini dapat dimanfaatkan oleh:

• Mahasiswa Teknik Informatika dan Sistem Informasi yang mengerjakan Skripsi atau Tugas Akhir.
• Peneliti yang membutuhkan referensi implementasi algoritma Support Vector Machine.
• Developer yang ingin mengembangkan aplikasi klasifikasi berbasis PHP dan MySQL.
• Pengguna yang ingin mempelajari penerapan Machine Learning tanpa menggunakan Python.

Aplikasi ini dapat digunakan sebagai dasar pengembangan berbagai sistem klasifikasi, seperti klasifikasi penyakit, penilaian kelayakan kredit, klasifikasi kualitas produk, pengelompokan kategori, dan berbagai permasalahan klasifikasi lainnya sesuai karakteristik dataset.