Implementasi Metode Support Vector Machine (SVM) berbasis Ant Colony Optimization (ACO) untuk Klasifikasi Tingkat Resiko Penyakit Stroke
| Main Author: | Winata, HerdianAnggara |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2016
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/146670/1/SkripsiFull%28Fix%29_115060800111063.pdf http://repository.ub.ac.id/146670/ |
Daftar Isi:
- Stroke didefinisikan sebagai gangguan suplai darah ke otak yang dapat disebabkan karena adanya penyumbatan atau pendarahan pada pembuluh darah. Karena gangguan tersebut, daerah otak yang terkena stroke tidak dapat berfungsi dengan normal yang mengakibatkan sebagian tubuh penderita dapat mengalami kelumpuhan atau bahkan bisa mengakibatkan kematian. Penyakit stroke sudah dapat dideteksi, akan tetapi untuk proses deteksinya sendiri dibutuhkan waktu yang relatif lama dan biaya yang cukup mahal. Oleh karena itu, dibutuhkan suatu sistem yang dapat mempercepat dan memudahkan pendeteksian awal penyakit stroke. Salah satu teknik yang dapat digunakan yaitu melakukan klasifikasi data dengan metode Support Vector Machine (SVM). Akan tetapi dalam metode SVM masih belum ada perhitungan optimum dalam melakukan pemilihan parameter. Untuk mengatasi masalah tersebut digunakan metode Ant Colony Optimization untuk melakukan pencarian terhadap nilai parameter C dan σ pada SVM sehingga nantinya didapatkan nilai parameter yang optimal. Dari hasil pengujian didapatkan akurasi terbaik sebesar 0,87867 yaitu ketika batas nilai parameter C 0,0001 ~ 9,9999, batas nilai parameter σ 10,000 ~ 99,999, nilai parameter λ = 0,2, nilai parameter γ = 0,1, iterasi ACO = 10, jumlah semut = 100, dan panjang fold = 3.