Ramadhani, Nur A'yuni (2018) Algoritma support vector machine berbasis k-means untuk klasifikasi chronic kidney disease / Nur A'yuni Ramadhani. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
v RINGKASAN Ramadhani Nur A yuni. 2018. Algoritma Support Vector Machine Berbasis K-Means untuk Klasifikasi Chronic Kidney Disease. Skripsi. Jurusan Teknik Elektro Fakultas Teknik Universitas Negeri Malang. Pembimbing (I) Aji Prasetya Wibawa S.T. M.M.T. Ph.D. (II) Utomo Pujianto S.Kom. M.Kom. Kata kunci Chronic Kidney Disease Support Vector Machine SVM K-Means Chronic kidney disease merupakan salah satu jenis penyakit ginjal dimana ginjal telah kehilangan fungsi seperti seharusnya dan telah terjadi selama bertahun-tahun. Chronic kidney disease dapat diakibatkan oleh berbagai macam hal yang dapat merusak ginjal serta mengurangi fungsinya dari waktu ke waktu seperti riwayat penyakit batu ginjal diabetes hingga kecelakaan. Hal dasar yang dapat dilakukan untuk menangani chronic kidney disease adalah proses diagnosa yang benar dan tepat sehingga pasien dapat mendapatkan penanganan yang tepat. Dengan berkembangnya teknologi saat ini proses diagnosa dapat dilakukan dengan mudah dengan bantuan teknik-teknik data mining seperti teknik klasifikasi. Sebelumnya telah dilakukan penelitian untuk mendeteksi chronic kidney disease dengan teknik klasifikasi yang menggunakan beberapa algoritma seperti JST Naive Bayes K-Means Multilayer Perceptron Support Vector Machine dan sebagainya. Pada penelitian ini digunakan algoritma klasifikasi Support Vector Machine. Hal tersebut dikarenakan algoritma tersebut memiliki performa yang baik serta kecepatan komputasi yang tinggi. Untuk meningkatkan performa kecepatan komputasi hingga akurasi yang dihasilkan dari algoritma Support Vector Machine digunakan algoritma K-Means sebagai algoritma clustering. Set data akan melalui proses clustering guna menemukan data yang merupakan data cluster murni. Yang dimaksud dengan data cluster murni adalah data yang label data aslinya sama dengan label data hasil clustering dari data tersebut. Pada penelitian ini hanya data yang merupakan data cluster murni saja yang akan digunakan pada proses klasifikasi. Pada proses klasifikasi data akan diproses dengan menggunakan fungsi aktivasi kernel yang berbeda yaitu kernel RBF Polinomial dan Sigmoid. Berdasarkan penelitian yang telah dilakukan rata-rata akurasi yang didapatkan dari masing-masing proses klasifikasi dengan berbagai macam kernel tersebut adalah 100%. Dari tiga buah kernel yang digunakan dan 4 proses yang dilakukan oleh masing-masing kernel kernel RBF dan kernel Sigmoid menghasilkan akurasi yang sempurna. Hal tersebut dibuktikan dengan nilai akurasi pada masing-masing proses yang mencapai angka 100%. Sedangkan pada kernel Polinomial terdapat sebuah proses yang menghasilkan akurasi sebesar 99.6%.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | ?? ?? |
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | Users 2 not found. |
| Date Deposited: | 29 Oct 2018 04:29 |
| Last Modified: | 09 Sep 2018 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/48061 |
Actions (login required)
 |
View Item |