Triyana Fadila, 4611415007 (2020) PREDIKSI PENYAKIT HEPATITIS MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE (PCA-SVM). Under Graduates thesis, Universitas Negeri Semarang.

Preview

PDF (PREDIKSI PENYAKIT HEPATITIS MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE (PCA-SVM)) - Submitted Version Download (877kB) | Preview

Abstract

Triyana, Fadila. 2020. Prediksi Penyakit Hepatitis Menggunakan Metode Principal Component Analysis dan Support Vector Machine (PCA-SVM). Skripsi. Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang. Pembimbing Dr. Alamsyah, S.Si., M.Kom. Kata kunci: Support Vector Machine, Principal Component Analysis, Hepatitis Seiring meningkatnya peggunaan teknologi, volume data yang dihasilkan dari penggunaan teknologi komputer juga terus meningkat tak terkecuali data yang dihasilkan dari bidang medis. Dengan data mining, data medis dapat dimanfaatkan untuk membantu dokter dalam mendiagnosa suatu penyakit termasuk hepatitis. Salah satu teknik data mining yang dapat digunakan untuk memprediksi suatu keputusan adalah klasifikasi. Dari banyaknya algortima klasifikasi, Support Vector Machine (SVM) digunakan dalam penelitian ini karena dapat memberikan hasil yang baik dalam banyak penelitian. Namun, jika data yang diproses memiliki dimensi yang tinggi SVM akan membutuhkan waktu komputasi yang lama dan membutuhkan memori yang besar. Maka dari itu Principal ComponentAnalysis (PCA) diterapkan untuk mengesktrasi fitur dan mereduksi jumlah fitur atau atribut. PCA dapat mereduksi dimensi data tanpa menghilangkan banyak informasi dari dataset. Data yang digunakan dalam penelitian ini adalah dataset hepatitis yang diambil dari UCI Machine Learning Repository. Atribut atau fitur dataset hepatitis berjumlah 19 atribut dan 1 atribut kelas. Jumlah atribut tersebut kemudian direduksi menggunakan metode PCA dari 19 menjadi 8 atribut. Data yang telah diekstrak dan direduksi kemudian digunakan untuk klasifikasi SVM. Hasil akurasi yang dicapai adalah sebesar 93,55%. Sedangkan hasil klasifikasi SVM pada dataset hepatitis tanpa metode PCA sebesar 87,1%. Dapat disimpulkan bahwa kinerja algoritma SVM dalam mengklasifikasi dataset hepatitis lebih baik setelah diterapkan metode PCA.

Actions (login required)

View Item