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 |
Monday, July 8, 2019
Data Global Slavery Index
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.
Subscribe to:
Posts (Atom)