Data Global Slavery Index

Country	Slavery policy	Human rights	Development	State stability	Discrimination
Mauritania	92,9	75,3	76,8	62,7	67,6
Uzbekistan	54,0	91,8	39,0	62,8	38,6
Haiti	68,2	67,0	81,3	64,3	75,0
Qatar	50,5	82,3	28,1	26,1	70,1
India	85,9	58,9	54,0	56,5	38,3
Pakistan	85,9	79,2	60,4	68,9	60,0
Democratic Republic of the Congo	78,8	78,0	83,9	80,7	64,3
Sudan	78,8	100,0	79,7	79,8	59,9
Syria	100,0	100,0	55,3	74,7	54,1
Central African Republic	92,9	83,5	82,3	77,0	66,2
Republic of the Congo	64,6	50,5	69,6	57,3	69,4
United Arab Emirates	39,9	85,0	34,4	34,1	40,6
Iraq	71,7	91,8	61,3	77,2	59,0
Cambodia	75,3	58,8	54,8	65,3	63,6
Moldova	4,5	58,0	40,1	52,6	53,6
Mongolia	64,6	28,5	35,7	42,5	44,9
Namibia	78,8	23,0	49,6	35,7	72,5
Botswana	85,9	35,5	50,2	29,6	53,6
Suriname	47,0	23,0	53,3	35,7	63,4
Nepal	61,1	61,7	64,9	50,7	30,1
Ghana	71,7	25,9	67,9	46,2	63,5
Mozambique	54,0	44,9	77,8	55,5	41,0
Niger	61,1	47,8	86,9	55,2	50,2
Burkina Faso	54,0	38,8	83,7	58,9	42,8
Malawi	64,6	43,5	89,1	41,6	57,9
Zambia	61,1	51,1	71,4	48,5	67,7
Senegal	43,4	38,1	76,4	54,3	55,7
Benin	61,1	36,7	80,3	51,0	50,1
Togo	68,2	50,5	76,9	60,4	48,1
Liberia	78,8	35,9	81,6	53,7	52,0
Lesotho	82,3	34,0	70,4	46,0	52,1
Russia	54,0	89,9	29,7	67,0	47,5
Tanzania	54,0	62,9	81,6	54,9	67,5
Côte d'Ivoire	57,6	65,6	78,5	67,6	55,7
Mali	92,9	41,7	81,4	64,5	45,7
Chad	75,3	60,7	86,4	74,1	64,9
Rwanda	75,3	71,2	70,2	45,9	54,1
Guinea	71,7	64,3	82,4	69,7	61,5
South Sudan	82,3	53,3	78,5	72,5	57,3
Burundi	78,8	55,2	81,9	66,4	41,7
Sierra Leone	68,2	42,0	86,0	50,7	68,2
Gambia	57,6	53,3	82,5	60,6	58,8
Djibouti	68,2	75,3	72,5	56,1	52,7
Thailand	57,6	60,0	40,0	44,6	58,6
Oman	68,2	77,2	38,0	40,9	58,8
Kuwait	89,4	69,9	34,3	36,8	78,2
Bahrain	78,8	86,9	27,4	37,2	56,5
Brunei	43,4	86,7	36,6	30,3	67,0
Cape Verde	50,5	9,3	43,6	33,6	61,4
Swaziland	64,6	69,5	55,2	55,8	73,2
Guinea-Bissau	92,9	50,5	82,6	72,0	60,0
Nigeria	50,5	72,7	58,5	68,4	71,0
Egypt	50,5	82,1	42,9	49,9	77,2
Algeria	89,4	92,1	49,2	48,1	48,9
Morocco	85,9	68,9	43,9	46,6	50,9
Malaysia	78,8	77,4	35,6	30,4	71,5
Jordan	61,1	85,9	48,6	37,5	62,4
Lebanon	68,2	64,8	38,2	62,5	78,4
Bangladesh	75,3	62,0	67,3	58,6	30,0
Iran	96,5	92,8	41,0	58,1	68,4
Myanmar	68,2	91,8	71,8	61,8	64,5
Afghanistan	78,8	69,8	91,9	79,3	54,4
North Korea	85,9	100,0	59,8	75,1	58,8
Yemen	89,4	94,5	64,6	69,7	84,4
Angola	71,7	75,3	63,4	61,4	54,4
Zimbabwe	85,9	91,8	63,9	70,9	53,5
Somalia	85,9	100,0	92,8	85,5	100,0
Eritrea	92,9	100,0	86,3	55,9	83,5
Libya	89,4	88,2	50,0	63,0	83,5
Equatorial Guinea	92,9	83,5	53,7	62,8	58,8
Ethiopia	36,4	92,6	82,7	52,7	53,8
Guyana	71,7	39,9	68,4	49,8	67,5
Bulgaria	22,2	42,4	30,9	47,9	34,1
Czech Republic	8,1	27,9	28,7	17,7	37,6
Hungary	54,0	30,8	33,8	22,1	32,4
Serbia	25,8	45,4	34,1	43,2	40,2
Slovakia	11,6	28,5	31,2	39,3	33,4
Georgia	57,6	71,9	37,0	45,9	46,8
Croatia	43,4	33,8	30,8	30,3	37,0
Bosnia and Herzegovina	29,3	57,2	34,9	46,4	53,8
Armenia	4,5	63,7	35,7	51,6	54,8
Lithuania	47,0	36,4	24,5	27,1	44,3
Albania	47,0	43,6	36,0	57,0	55,3
Macedonia	25,8	41,7	33,7	54,9	46,0
Slovenia	4,5	15,1	29,6	16,1	34,8
Estonia	50,5	13,2	28,1	24,6	43,5
Cyprus	25,8	27,7	29,0	20,7	46,0
Montenegro	36,4	38,8	30,3	49,5	49,0
Vietnam	47,0	91,8	45,1	49,4	41,7
Uganda	39,9	72,4	72,4	51,2	54,4
Cameroon	32,8	71,6	74,6	59,7	57,0
Sri Lanka	64,6	69,7	47,1	58,9	34,2
Kazakhstan	36,4	75,8	34,0	57,8	38,0
Azerbaijan	43,4	85,2	36,7	59,5	43,3
Tajikistan	39,9	78,0	51,1	57,1	38,5
Laos	61,1	97,3	61,5	49,8	50,0
Kyrgyzstan	68,2	64,3	45,3	57,0	43,1
Turkmenistan	64,6	100,0	45,0	64,7	46,3
Timor-Leste	71,7	23,0	60,5	58,2	57,0
Tunisia	64,6	45,0	40,8	48,3	53,9
Saudi Arabia	82,3	91,8	36,0	49,5	72,2
Indonesia	47,0	70,0	51,9	49,6	56,0
Philippines	36,4	41,4	45,6	52,5	59,4
Mauritius	68,2	30,8	38,9	21,4	42,3
Turkey	50,5	63,7	39,6	44,2	62,9
Ukraine	57,6	46,0	38,9	61,1	40,0
Kosovo	22,2	45,0	36,3	48,4	56,3
Gabon	50,5	45,6	49,8	46,4	63,8
China	57,6	91,9	42,2	46,2	53,3
Papua New Guinea	89,4	28,5	65,9	48,2	89,3
Mexico	39,9	40,9	39,0	60,2	42,7
Colombia	43,4	43,3	38,7	57,9	49,2
Peru	43,4	46,2	35,6	48,9	53,1
Ecuador	39,9	49,6	32,2	57,7	34,7
Guatemala	32,8	44,6	44,1	66,8	58,8
Bolivia	54,0	42,3	53,4	60,5	48,3
Honduras	54,0	53,8	58,0	75,6	64,4
Paraguay	43,4	36,5	43,3	61,5	53,9
El Salvador	32,8	32,6	44,9	61,4	53,5
Nicaragua	8,1	59,6	60,9	59,7	41,2
Chile	36,4	20,0	31,7	23,6	45,7
Costa Rica	54,0	22,5	34,6	39,1	24,5
Panama	68,2	28,0	35,6	46,8	42,6
Uruguay	57,6	14,6	31,3	33,6	26,8
Venezuela	43,4	76,4	38,3	73,7	35,0
South Africa	43,4	24,8	38,2	46,9	55,6
Japan	61,1	17,6	23,4	11,4	40,0
South Korea	22,2	39,2	30,8	30,5	36,0
Argentina	25,8	30,7	30,3	46,5	21,3
Poland	1,0	21,7	27,1	22,2	48,2
Hong Kong, SAR China	64,6	3,5	21,1	10,9	25,2
Dominican Republic	47,0	54,3	41,2	60,5	59,3
Trinidad and Tobago	64,6	27,7	36,2	41,5	36,8
Jamaica	36,4	23,9	54,9	54,5	49,7
Barbados	57,6	17,5	42,3	23,1	42,3
Kenya	78,8	68,5	54,4	67,3	56,0
Madagascar	64,6	64,8	79,8	59,0	58,0
Belarus	64,6	97,3	36,4	54,5	34,7
Romania	25,8	50,1	34,8	42,8	40,6
Latvia	43,4	34,8	30,0	38,8	45,1
Singapore	22,2	51,9	28,2	16,8	59,4
Israel	29,3	43,9	28,7	32,0	58,4
Brazil	22,2	28,0	33,3	50,2	42,5
Cuba	68,2	97,3	51,6	44,8	1,0
United States	8,1	17,9	22,2	26,1	25,4
Italy	32,8	21,9	24,0	38,1	31,3
Germany	11,6	24,7	25,1	14,4	12,2
France	25,8	25,8	28,0	21,0	23,9
United Kingdom	8,1	10,3	17,1	18,4	17,6
Spain	15,1	27,9	22,8	22,6	17,6
Canada	8,1	16,8	25,4	11,2	19,7
Taiwan	11,6	28,4	17,1	27,7	28,9
Australia	11,6	2,9	24,8	13,5	15,1
Netherlands	11,6	9,2	25,1	13,5	8,4
Belgium	4,5	18,1	26,8	14,9	15,9
Greece	36,4	49,8	30,2	43,3	50,9
Portugal	18,7	13,0	28,2	17,0	29,7
Sweden	8,1	15,7	26,5	10,1	10,9
Austria	4,5	17,3	23,9	14,4	14,4
Switzerland	32,8	23,3	21,1	10,6	25,5
Denmark	43,4	16,8	25,2	3,5	6,2
Finland	4,5	22,2	26,2	8,9	14,4
Norway	11,6	16,0	25,6	7,8	2,5
New Zealand	15,1	8,6	26,6	6,6	6,8
Luxembourg	32,8	2,4	10,9	9,9	21,6
Ireland	18,7	18,1	27,1	16,7	19,5
Iceland	54,0	19,0	22,4	12,1	3,0

Metode Support Vector Machines (SVM)

Support Vector Machines (SVM) adalah seperangkat metode pembelajaran terbimbing yang menganalisis data dan mengenali pola, digunakan untuk klasifikasi dan analisis regresi. Algoritma SVM asli diciptakan oleh Vladimir Vapnik dan turunan standar saat ini Soft Margin (Cortes & Vapnik, 1995). SVM standar mengambil himpunan data input, dan memprediksi, untuk setiap masukan yang diberikan, kemungkinan masukan adalah anggota dari salah satu kelas dari dua kelas yang ada, yang membuat sebuah SVM sebagai penggolong nonprobabilistik linier biner. Karena SVM adalah sebuah pengklasifikasi, kemudian diberi suatu himpunan pelatihan, masing-masing ditandai sebagai milik salah satu dari dua kategori, suatu algoritma pelatihan SVM membangun sebuah model yang memprediksi apakah data yang baru jatuh ke dalam suatu kategori atau yang lain.

Klasifikasi suatu proses dalam mencari dan menentukan model atau fungsi yang dapat menjelaskan serta membedakan kelas data dengan tujuan dapat menggunakan data tersebut untuk memperkirakan kelas suatu objek yang statusnya tidak diketahui. Selama proses pembelajaran dalam pembuatan model, diperlukan suatu algoritma pembelajaran, antara lain yaitu SVM, Naïve Bayes, KNN, Decission Tree, ANN, dan lainnya (Utari, et al., 2018).

SVM merupakan salah satu metode klasifikasi dalam data missing. SVM juga dapat melakukan prediksi baik pada klasifikasi maupun regresi. Pada dasarnya SVM memiliki prinsip linier, akan tetapi SVM telah berkembang sehingga dapat bekerja pada masalah non-linier. Cara kerja SVM pada masalah non-linier adalah dengan memasukkan konsep kernel pada ruang berdimensi tinggi. Pada ruang yang berdimensi tinggi ini, nantinya akan dicari pemisah atau yang sering disebut hyperplane. Hyperplane dapat memaksimalkan jarak atau margin antara kelas data. Hyperplane terbaik antara kedua kelas dapat ditemukan dengan mengukur margin dan kemudian mencari titik maksimalnya. Usaha dalam mencari hyperplane yang terbaik sebagai pemisah kelas-kelas adalah inti dari proses pada metode SVM (Utari, et al., 2018)

·      Kelebihan SVM adalah sebagai berikut

1.     Mampu mengklasifikasikan pattern-pattern yang tidak masuk dalam kelas atau kategori metode yang menjadi pembelajaran. Kemampuan ini dinamai sebagai Generalisasi. Karena memiliki strategi SRM, Support vector machine bisa meminimalkan error pada training set dan juga error yang dipengaruhi oleh faktor VC.

2.     Masalah dalam menghadapi suatu pattern disebut sebagai Curse of dimensionality. Masalah ini bisa terjadi dikarenakan jumlah data yang ada lebih sedikit dibandingkan dengan dimesional ruang vector data tersebut. Karena prinsipnya adalah semakin tinggi dimesional makan diperlukan pula data yang lebih dalam proses pembelajaran.

3.     SVM memiliki Landasan teori yang jelas.

4.     SVM juga mampu diimplementasikan dengan mudah karena proses dalam menentukan SVM bisa dapat dirumuskan dengan QP problem. Kelebihan ini disebut dengan Feasibility.

·      Kekurangan SVM adalah sebagai berikut

1.     Bila dipakai dalam skala yang besar, maka SVM akan sangat sulit digunakan.

2.   SVM sedang di olah agar mampu menyelasaikan masalah dengan class lebih dari dua.

Untuk data yang digunakan silahkan download disini.