Lika Alaika, 4611418069 (2022) OPTIMASI AKURASI IDENTIFIKASI GANGGUAN SPEKTRUM AUTISME PADA ANAK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN CORRELATION-BASED FEATURE SELECTION. Under Graduates thesis, Universitas Negeri Semarang.

PDF - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Autisme merupakan kelainan perkembangan gangguan yang mempengaruhi fungsi sistem saraf sehingga mengganggu proses berpikir yang dapat mempengaruhi kehidupan penderitanya. Gejala autisme umumnya dapat diketahui dari adanya suatu penyimpangan dalam tumbuh kembang anak. Autisme termasuk gangguan yang tidak dapat disembuhkan tetapi berbagai terapi dapat dilakukan sedini mungkin agar efek samping yang diderita berkurang dan penderita dapat menyesuaikan diri dengan kesehariannya. Rasio penderita autisme tergolong tinggi dan memiliki kecenderungan untuk meningkat, berdasarkan WHO di Indonesia tahun 2013 rasio anak penderita autisme yaitu 1:160 atau lebih dari 112.000. CDC menyatakan 1:100 anak di dunia memiliki gangguan autisme. Oleh karena itu data yang diperoleh membutuhkan metode pengolahan agar dapat dimanfaatkan secara maksimal. Data mining merupakan salah satu teknik pengolahan data yang bekerja menemukan pola dan pengetahuan dari data yang besar. Salah satu teknik data mining adalah klasifikasi yang bekerja untuk mencari model yang menunjukkan dan memperkirakan kelas yang tidak diketahui sebelumnya. SVM merupakan salah satu algoritma klasifikasi yang bekerja dengan mencari hyperplane terbaik sebagai pemisah dua kelas data dengan menggunakan data training dan data testing. Kelebihan SVM adalah bekerja baik untuk sekumpulan data yang tidak dapat dipisahkan secara linear. Kelemahannya yaitu sulit memilih parameter yang optimal dan membedakan antara atribut yang berpengaruh dan yang tidak. Maka CFS ditambahkan sebagai seleksi fitur untuk mengurangi dimensi atribut. Proses ini bekerja dengan menghilangkan atribut yang tidak relevan yang dapat mempengaruhi akurasi berdasarkan nilai korelasi. Dataset yang digunakan dalam penelitian ini yaitu Autistic Spectrum Disorder Screening for Children Dataset dari UCI machine learning repository yang digunakan untuk mengetahui tingkat akurasi SVM dan CFS untuk diagnosis autisme pada anak. Hasil penelitian ini membuktikan bahwa algoritma SVM dapat bekerja dengan baik sehingga menghasilkan tingkat akurasi sebesar 94,91% dan algoritma SVM yang digabungkan dengan seleksi fitur CFS menghasilkan tingkat akurasi sebesar 96,61%, hal tersebut menunjukkan peningkatan akurasi sebesar 1,7% dengan menggunakan 17 atribut terpilih yang dihasilkan pada proses seleksi fitur.

Actions (login required)

View Item