SELEKSI FITUR ALGORITMA GENETIKA DALAM KLASIFIKASI DATA REKAM MEDIS PCOS MENGGUNAKAN SVM

Fahriza Novianti, Nurissaidah Ulinnuha

Abstract


Ketidakseimbangan hormon menyebabkan seorang wanita dengan sindrom ovarium polikistik (PCOS) memiliki sel telur atau sel telur yang tidak matang secara normal. Biasanya terjadi pada masa reproduksi, namun seringkali sulit dideteksi karena kurangnya kesadaran. Oleh karena itu, penting untuk mendeteksi kondisi ini secara dini agar dapat melakukan pengobatan atau pencegahan yang tepat. Salah satu cara untuk mendiagnosis PCOS adalah melalui penggunaan data medis. Dalam penelitian ini, 40 variabel digunakan, termasuk data hormonal, hasil ultrasonografi, dan informasi medis lainnya. Metode yang digunakan adalah Support Vector Machine (SVM), yang mampu menangani data yang tidak linear dengan kernel. Untuk meningkatkan akurasi, fitur-fitur dipilih menggunakan algoritma genetika, yang menghasilkan 19 variabel yang signifikan. Dengan menerapkan variabel hasil seleksi tersebut sebagai input, klasifikasi menghasilkan model terbaik dengan akurasi 94.26%, sensitivitas 87.57%, dan spesifisitas 97.52%. Tanpa proses seleksi fitur, klasifikasi SVM hanya memiliki akurasi 82.46%, sensitivitas 60.91%, dan spesifisitas 97.25%. Dari temuan penelitian ini, dapat diketahui bahwa metode seleksi fitur algoritma genetika dapat meningkatkan performa klasifikasi SVM.

Kata kunci: Algoritma Genetika, Klasifikasi, PCOS, Seleksi Fitur, SVM


Full Text:

PDF

References


W. Chen and Y. Pang, “Metabolic Syndrome and PCOS: Pathogenesis and the Role of Metabolites,” Metabolites, vol. 11, no. 12, 2021, doi: 13390/metabo11120869.

W. Jia, M. Sun, J. Lian, and S. Hou, “Feature dimensionality reduction: a review,” Complex Intell. Syst., vol. 8, no. 3, pp. 2663–2693, 2022, doi: 11007/s40747-021-00637-x.

E. P. A. Akhmad, “Evaluasi Telemarketing Kartu Kredit Bank Menggunakan Algoritma Genetika untuk Seleksi Fitur dan Naive Bayes ( Evaluation of Bank Credit Card Telemarketing Using Genetic Algorithms for Feature Selection and Naive Bayes ),” J. Apl. Pelayaran dan Kepelabuhanan, vol. 10, no. 1, pp. 12–22, 2019.

R. Resmiati and T. Arifin, “Klasifikasi Pasien Kanker Payudara Menggunakan Metode Support Vector Machine dengan Backward Elimination,” Sistemasi, vol. 10, no. 2, p. 381, 2021, doi: 132520/stmsi.v10i2.1238.

W. Widayani and H. Harliana, “Analisis Support Vector Machine Untuk Pemberian Rekomendasi Penundaan Biaya Kuliah Mahasiswa,” J. Sains dan Inform., vol. 7, no. 1, pp. 20–27, 2021, doi: 134128/jsi.v7i1.268.

D. Gunawan, D. Riana, D. Ardiansyah, F. Akbar, and S. Alfarizi, “Komparasi Algoritma Support Vector Machine Dan Naïve Bayes Dengan Algoritma Genetika Pada Analisis Sentimen Calon Gubernur Jabar 2018-2023,” J. Tek. Komput. AMIK BSI, vol. 6, no. 2, pp. 174–180, 2020, doi: 131294/jtk.v4i2.

H. Harafani and A. Maulana, “Penerapan Algoritma Genetika pada Support Vector Machine Sebagai Pengoptimasi Parameter untuk Memprediksi Kesuburan,” J. Tek. Inform. STMIK Antar Bangsa, vol. V, no. 1, pp. 51–59, 2019.

S. F. Pane, R. Maulana Awangga, E. V. Rahcmadani, and S. Permana, “Implementasi Algoritma Genetika Untuk Optimalisasi Pelayanan Kependudukan,” J. Tekno Insentif, vol. 13, no. 2, pp. 36–43, 2019, doi: 136787/jti.v13i2.13

K. Krisnandi and H. Agung, “Implementasi Algoritma Genetika Untuk Memprediksi Waktu Dan Biaya Pengerjaan Proyek Konstruksi,” J. Ilm. FIFO, vol. 9, no. 2, p. 90, 2017, doi: 122441/fifo.2017.v9i2.001.

R. Iriany, A. W. Widodo, and W. F. Mahmudy, “Pemanfaatan Algoritma Genetika Untuk Optimasi 0 / 1 Multi-Dimensional Knapsack Problem Dalam Pendistribusian Produk ( Studi Kasus UD . TOSA ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 4, pp. 257–269, 2017.

I. H. Sugeha, R. L. Inkiriwang, and P. A. K. Pratasis, “Optimasi Penjadwalan Menggunakan Metode Algoritma Genetika Pada Proyek Rehabilitasi Puskesmas Minanga,” J. Sipil Statik, vol. 7, no. 12, pp. 1669–1680, 2019, [Online]. Available: https://ejournal.unsrat.ac.id/index.php/jss/article/view/26145.

C. B. Gokulnath and S. P. Shantharajah, “An optimized feature selection based on genetic approach and support vector machine for heart disease,” Cluster Comput., vol. 22, pp. 14777–14787, 2019, doi: 11007/s10586-018-2416-4.

R. T. Prasetio, A. A. Rismayadi, and I. F. Anshori, “Implementasi Algoritma Genetika pada k-nearest neighbours untuk Klasifikasi Kerusakan Tulang Belakang,” J. Inform., vol. 5, no. 2, pp. 186–194, 2018, doi: 131311/ji.v5i2.4123.

B. K. Khotimah, E. Setiawan, V. Sasmeka, A. Fridayanti, I. Maulana, and A. M. Zulfida, “Identifikasi Hama Dan Penyakit Tanaman Jagung Dengan Menggunakan Metode Klasifikasi Support Vector Machine (Svm),” J. Ilm. NERO, vol. 7, no. 1, pp. 69–74, 2022.

F. Novianti et al., “Prediksi Penggunaan Bahan Bakar pada PLTGU menggunakan Metode Support Vector Regression ( SVR ),” vol. 21, no. 2, pp. 249–255, 2022.

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: 125126/jtiik.201855983.

Y. N. Fuadah, I. D. Ubaidullah, N. Ibrahim, F. F. Taliningsing, N. K. Sy, and M. A. Pramuditho, “Optimasi Convolutional Neural Network dan K-Fold Cross Validation pada Sistem Klasifikasi Glaukoma,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. dan Tek. Elektron., vol. 10, no. 3, p. 728, 2022, doi: 126760/elkomika.v10i3.728.




DOI: https://doi.org/10.21107/nero.v9i1.25399

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Fahriza Novianti, Nurissaidah Ulinnuha