Analisis Algoritma Support Vector Machine Dalam Klasifikasi Penyakit Stroke
DOI:
https://doi.org/10.34818/eoe.v9i3.17909Abstract
Abstrak Stroke merupakan penyakit yang menyerang fungsional otak yang dalam istilah medis biasa disebut Transient Ischaemic Attack merupakan penyakit neurologik yang terjadi karena gangguan suplai darah menuju bagian otak yang terjadi secaramendadak. Penanganan stroke harus dilaksanakan secara cepat dan tepat guna menghindari kecacatan atau komplikasi lanjut. Di era teknologi yang sangat berkembang ini penulis membuat program machine learning guna mengidentifikasi seseorang untuk terkena stroke, agar masyarakat lebih sadar agar akan bahaya penyakit tersebut. Metode yang digunakan penulis adalah Support Vector Machine (SVM) untuk mengklasifikasi seseorang untuk terdampak penyakit stroke, metode SVM ini sangat cocok untuk digunakan karena SVM memiliki akurasi yang cukup bagus untuk sebuah klasifikasi. Dengan adanya program ini seseorang akan mengetahui seberapa persen kemungkinan untuk seseorang tersebut terkena stroke dan tidak terkena stroke, yang akan diketahui melalui persentase yang akan keluar setelah program dijalankan. Tujuan daripenulis membuat program ini adalah untuk menguji algoritma SVM dalam klasifikasi data penyakit stroke, program ini menggunakan klasifikasi SVM yang mendapatkan hasil akurasi tertinggi dari data unbalance pada kernel linear yaitu 76% dan polynomial sebesar 80%. Untuk data yang balanced penulis mendapatkan hasil akurasi pada kernel linear 77%, dan di polynomial 76%. Kata Kunci: Stroke, Machine Learning, SupportVector Machine.References
[1] Wayunah, W., & Saefulloh, M. (2017). Analisis faktor yang berhubungan dengan kejadian stroke di rsud indramayu. Jurnal Pendidikan Keperawatan Indonesia, 2(2), 65-76.
[2] Wolfe, C. D. (2000). The impact of stroke. British medical bulletin, 56(2), 275- 286.
[3] Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003). Support vector machine. Proceeding Indones. Sci. Meeiting Cent. Japan.
[4] Adelina, V., Ratnawati, D. E., & Fauzi, M. A. (2018). Klasifikasi Tingkat Risiko Penyakit Stroke Menggunakan Metode GA-Fuzzy Tsukamoto. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.
[5] Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260.
[6] Alzubi, J., Nayyar, A., & Kumar, A. (2018, November). Machine learning from theory to algorithms: an overview. In Journal of physics: conference series (Vol. 1142, No. 1, p. 012012). IOP Publishing.
[7] Hamakonda, T. P. (1978). Pengantar klasifikasi persepuluhan Dewey. BPK Gunung Mulia.
[8] Hasanah, S. (2018). Propensity Score Matching Menggunakan Support Vector Machine Pada Kasus Diabetes Melitus (DM) Tipe 2 (Doctoral dissertation, Institut Teknologi Sepuluh Nopember).
[9] Huang, H. Y., & Lin, C. J. (2016, June). Linear and kernel classification: When to use which?.
In Proceedings of the 2016 SIAM International Conference on Data Mining (pp. 216-224). Society for Industrial and Applied Mathematics.
[10] Song, Z., Woodruff, D., Yu, Z., & Zhang, L. (2021, July). Fast sketching of polynomial kernels of polynomial degree. In International Conference on Machine Learning (pp. 9812-9823). PMLR.
[11] Anguita, D., Ghio, A., Ridella, S., & Sterpi, D. (2009, July). K-Fold Cross Validation for Error Rate Estimate in Support Vector Machines. In DMIN (pp. 291-297).
