Hafid Alpin Al Gazni, 4611415016 (2020) OPTIMASI ALGORITMA SUPPORT VECTOR MACHINE BERBASIS ALGORITMA K-MEANS DAN PARTICLE SWARM OPTIMIZATION PADA DIAGNOSIS PENYAKIT GINJAL KRONIS. Under Graduates thesis, UNNES.

Preview

PDF (OPTIMASI ALGORITMA SUPPORT VECTOR MACHINE BERBASIS ALGORITMA K-MEANS DAN PARTICLE SWARM OPTIMIZATION PADA DIAGNOSIS PENYAKIT GINJAL KRONIS) - Published Version Download (2MB) | Preview

Abstract

Data mining adalah metode yang digunakan untuk memberikan solusi dalam penyelesaian masalah dalam menggali informasi dari data yang besar. Data mining dalam dunia medis bermanfaat untuk mendiagnosis suatu penyakit seperti penyakit ginjal kronis. Klasifikasi merupakan salah satu teknik menggali data yang tersembunyi yang dimiliki oleh data mining, ada beberapa metode klasifikasi data mining, salah satunya adalah dengan algoritma Support Vector Machine. Algoritma Support Vector Machine telah membuktikan hasil yang lebih baik dari algoritma KNN, Decision Tree dan Linear Regresion. Dalam proses klasifikasi, hasil akurasi dan efisiensi waktu yang diperoleh sangat penting. Maka diperlukan optimasi agar meningkatkankan akurasi dan efisiensi waktu saat proses klasifikasi. Optimasi algoritma Support Vector Machine yang dilakukan menggunakan algoritma K-Means untuk proses clustering data kontinu pada dataset dan proses seleksi fitur menggunakan Particle Swarm Optimization. Penelitian ini bertujuan untuk mengetahui cara kerja optimasi akurasi dan efisiensi waktu pada algoritma Support Vector Machine dan hasil akurasi serta efisiensi waktu yang diperoleh dalam diagnosis penyakit ginjal kronis. Penelitian ini menggunakan Chronic Kidney Disease Dataset dari UCI Machine Learning Repository. Dari hasil penelitian, metode Support Vector Machine dengan menggunakan K-Means dan PSO memberikan akurasi rata-rata sebesar 98,80% lebih tinggi jika dibandingkan dengan algoritma Support Vector Machine sebesar 55,00% namun lebih rendah 0,12% banding dengan Support Vector Machine dengan metode PSO saja. Metode Support Vector Machine dengan menggunakan K-Means dan PSO memiliki rata-rata waktu pemrosesan sekitar 20 detik lebih cepat dibanding metode Support Vector Machine dengan metode PSO yang membutuhkan rata-rata waktu selama 33,87 detik. Percobaan berdasar metode yang digunakan terbukti dapat meningkatkan akurasi klasifikasi sebesar 43,80% dari akurasi yang dihasilkan algoritma Support Vector Machine dan menghemat waktu pemrosesan sekitar 20 detik dari algoritma Support Vector Machine dengan PSO.

Actions (login required)

View Item