Klasifikasi pada Dataset Penyakit Hati Menggunakan Algoritma Support Vector Machine, K-NN, dan Naïve Bayes
Abstract
Hati memiliki fungsi yang krusial, yaitu pusat metabolisme yang berfungsi untuk menjaga kebutuhan otak dan sebagai filter darah dari zat-zat yang berbahaya yang datang dari usus. Penyakit hati yang dapat timbul karena kelainan fungsi hati ini adalah liver, hepatitis, kanker hati, sirosis hati, dan penyakit hati lainnya. Penyakit hati kompleks seperti kanker hati membutuhkan screening pasien dengan tepat dan akurat. Sistem klasifikasi ini membantu dokter untuk menentukan penyakit hati pada pasien. Sistem ini diharapkan dapat mengurangi kesalahan diagnosis pada pasien dan dokter dapat melakukan tindakan pengobatan dengan akurat. Proses pertama ialah dengan melakukan pembersihan dataset hati yaitu dengan mengatasi missing value dan mendeteksi outlier. Setelah pembersihan data, data diklasifikasi dengan tiga algoritma yang berbeda. Algoritma klasifikasi tersebut yaitu Naïve Bayes, KNN, dan SVM. Performa dari ketiga metode tersebut dibandingkan untuk mendapatkan metode yang terbaik untuk dataset hati, dengan cara menentukan nilai performanya yang berupa nilai accuracy, precision, recall, dan
F-measure. Hasil penelitian menunjukkan bahwa dari ketiga algoritma, SVM memiliki rata-rata performa paling baik dengan akurasi sebesar 82,36%.
Keywords
Full Text:
PDFReferences
A. G. Lazuardy, H. S. S. Kom, and M. Eng, “Proceeding SINTAK 2019,” pp. 1–6, 2019.
Profil Kesehatan Indonesia, Kementrian Kesehatan Republik Indonesia (KEMENKES RI). 2019. Data dan Informasi Profil Kesehatan Indonesia 2018. Jakarta: Ditjen P2P, Kemenkes RI 2019., vol. 53, no. 9. 2019.
A. Rosida, “Pemeriksaan Laboratorium Penyakit Hati,” Berk. Kedokt., vol. 12, no. 1, p. 123, 2016, doi: 10.20527/jbk.v12i1.364.
M. Mukarromah, S. Martha, and I. Ilhamsyah, “Perbandingan Imputasi Missing Data Menggunakan Metode Mean Dan Metode Algoritma K-Means,” Bimaster, vol. 4, no. 3, pp. 305–312, 2015, [Online]. Available: http://jurnal.untan.ac.id/index.php/jbmstr/article/view/12425/.
R. Silvi, “Analisis Cluster dengan Data Outlier Menggunakan Centroid Linkage dan K-Means Clustering untuk Pengelompokkan Indikator HIV/AIDS di Indonesia,” J. Mat. “MANTIK,” vol. 4, no. 1, pp. 22–31, 2018, doi: 10.15642/mantik.2018.4.1.22-31.
S. Nurhayati, E. T. Luthfi, and U. Y. Papua, “Prediksi Mahasiswa Drop Out Menggunakan Metode Support Vector,” Prediksi menggunakan SVM, vol. 3, no. 6, pp. 82–93, 2015.
A. M. Puspitasari, D. E. Ratnawati, and A. W. Widodo, “Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 2, pp. 802–810, 2018.
F. Liantoni, “Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor,” J. Ultim., vol. 7, no. 2, pp. 98–104, 2016, doi: 10.31937/ti.v7i2.356.
F. Liantoni and H. Nugroho, “Klasifikasi Daun Herbal Menggunakan Metode Naïve Bayes Classifier Dan Knearest Neighbor,” J. Simantec, vol. 5, no. 1, pp. 9–16, 2015.
Yusra, D. Olivita, and Y. Vitriani, “Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor,” J. Sains, Teknol. dan Ind., vol. 14, no. 1, pp. 79–85, 2016.
I. A. M. SUPARTINI, I. K. G. SUKARSA, and I. G. A. M. SRINADI, “Analisis Diskriminan Pada Klasifikasi Desa Di Kabupaten Tabanan Menggunakan Metode K-Fold Cross Validation,” E-Jurnal Mat., vol. 6, no. 2, p. 106, 2017, doi: 10.24843/mtk.2017.v06.i02.p154.
F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 577, 2018, doi: 10.25126/jtiik.201855983.
DOI: https://doi.org/10.31284/p.snestik.2021.1818
Refbacks
- There are currently no refbacks.
Copyright (c) 2021 Citra Nurina Prabiantissa
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.