PENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS

Raudlatul Munawarah, Oni Soesanto, Muhammad Reza Faisal

Abstract


Machine learning has been widely used in the medical to analyze medical datasets. One method in machine learning is Support Vector Machine (SVM). By looking at the concept of SVM method to finding the optimal separator function that can separate the two sets of data from two different classes, came the idea whether this method can be used to diagnose a person suffering from a particular disease or not, especially hepatitis. Therefore, this research aimed to determine and analyze the ability of Support Vector Machine method for diagnosing hepatitis. Analysis of the ability of method using data testing with both kernel with training data 100 positive data label and 100 negative data label. The result showed that trial using the linear kernel function get 68-83% for true prediction percentage and 70-96% for RBF kernel function. The conclusion from this study is SVM method can be used to diagnose hepatitis with high degree of accuracy and RBF kernel function has accuracy rate higher than linear kernel function.

Keywords: classification, Machine learning, hepatitis, support vector machine

Machine learning telah banyak digunakan dalam bidang medis untuk menganalisa dataset medis. Salah satu metode machine learning adalah Support Vector Machine (SVM). Dengan melihat konsep metode SVM yaitu menemukan fungsi pemisah optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda, muncul pemikiran apakah metode ini dapat digunakan untuk mendiagnosa seseorang mengidap penyakit tertentu atau tidak, khususnya penyakit hepatitis. Untuk itu penelitian ini dilakukan untuk mengetahui dapat digunakannya metode SVM dan menganalisis kemampuan metode Support Vector Machine untuk mendiagnosa penyakit Hepatitis. Analisis kemampuan metode diketahui dengan uji coba menggunakan data testing dengan kedua kernel dengan data training 100 data positif dan 100 data negatif. Hasil uji coba dengan menggunakan fungsi kernel linier mendapatkan hasil persentase benar 68-83 % dan fungsi kernel RBF 70-96 %. Kesimpulan dari penelitian ini adalah metode SVM dapat digunakan untuk mendiagnosa penyakit hepatitis dengan tingkat akurasi cukup tinggi dan fungsi kernel RBF memiliki tingkat akurasi cenderung lebih tinggi dibandingkan fungsi kernel linier.

Kata kunci : klasifikasi, machine learning, hepatitis, support vector machine

Full Text:

PDF

References


Munawarah, Raudlatul. 2016. Implementasi Metode Support Vector Machine untuk Mendiagnosa Penyakit Hepatitis. Program S-1 Ilmu Komputer, Universitas Lambung Mangkurat: Banjarbaru.

Christianini, Nello dan John S. Taylor. 2000. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press

Feldman, David and Gross, Shulamith. 2004. Mortgage Default: Classification Trees Analysis. University of New South Wales - Banking & Finance, Australian School of Business.

Green, Chris W.2005. Hepatitis Virus dan HIV. Yayasan Spiritia: Jakarta

Ramana, B. V., Babu, S. P., & Venkateswarlu, N. B. 2011. A Critical Study Of Selected Classification Algorithms For Liver Disease Diagnosis. International Journal Of Database Management Systems , Vol. 3 (2), Hal. 101-114.

Platt, John. 1998. Sequential Minimal Optimization: A fast Algorithm for Training Support Vector Machine. Microsoft Research. http://www.research.microsoft.com/jplatt




DOI: http://dx.doi.org/10.20527/klik.v3i1.39

Copyright (c) 2016 KLIK - JURNAL ILMIAH ILMU KOMPUTER



Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.joomla
counter View My Stats