Al Rifky Prayoga Putra, 4611418070 (2022) OPTIMASI ALGORITMA SUPPORT VECTOR MACHINE MENGGUNAKAN SMOTE DAN BINARY WHALE OPTIMIZATION ALGORITHM UNTUK KLASIFIKASI PENYAKIT GINJAL. Under Graduates thesis, UNIVERSITAS NEGERI SEMARANG.

PDF Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Penyakit ginjal merupakan salah satu penyakit yang menjadi masalah kesehatan masyarakat di seluruh dunia. Telah terbukti bahwa tahun 2015 menurut Global Burden of Disease memperkirakan bahwa 1,2 juta orang meninggal diakibatkan oleh gagal ginjal, meningkat sebesar 32% sejak tahun 2005. Dengan demikian diagnosis dini sangat penting dan merupakan bidang penting dalam penelitian medis. Salah satu metode diagnosis dini penyakit ginjal menggunakan machine learning. Pada penelitian ini, klasifikasi penyakit ginjal dilakukan dengan menggunakan algoritma SMOTE, BWOA, dan Support Vector Machine. Algoritma SMOTE digunakan untuk menyeimbangkan class dengan menambahkan data sintetis, Setelah didapatkan dataset baru dilakukan seleksi fitur menggunakan BWOA yang hasilnya semula dataset chronic kidney disease memiliki total 21 fitur dapat memperoleh hasil optimal yaitu 10 fitur. Dataset yang sudah diproses melalui preprocessing dengan penyeimbangan kelas dan fitur yang dipilih kemudian dibagi menjadi data training dan data testing dengan perbandingan 80:20. Hasil klasifikasi penelitian ini terdiri dari kelas positif dan negatif. Hasil klasifikasi penelitian ini terdiri dari kelas positif dan negatif. Pada penelitian kali ini didapatkan hasil parameter yang paling optimal dari SVM, yaitu dengan menggunakan kernel RBF dengan parameter cost (C) = 1 dan Gamma (γ) = 1. Hasil akurasi yang dihasilkan akan menjadi tolak ukur untuk mengdianosis penyakit ginjal. Metode yang digunakan penelitian ini mendapatkan rata-rata tingkat akurasi paling tinggi sebesar 96,55 %

Actions (login required)

View Item