Peningkatan Akurasi Metode Support Vector Machine melalui Particle Swarm Optimization pada Penyakit Ginjal Kronis

Abstract

Abstrak: Ginjal kronis memiliki pengaruh yang signifikan terhadap angka kematian akibat penyakit dan terus meningkat di seluruh dunia. Oleh karena itu, penelitian ini dilakukan dengan tujuan agar dapat mendeteksi dini penyakit tersebut sebelum didiagnosis ke tahap yang lebih serius. Penerapan metode SVM individual dan metode SVM berbasis PSO dilakukan guna mengetahui model mana yang memberikan hasil terbaik dalam mendeteksi penyakit ginjal kronis. Metode SVM memiliki keunggulan dalam akurasi namun kesulitan memilih fitur untuk input terbaik. Sehingga Optimasi PSO (Particle Swarm Optimization) terpilih untuk mengatasi kelemahan dari SVM, karena algoritma PSO memiliki keunggulan terhadap penyeleksian fitur dan memberikan bobot atribut. Hasil yang ditunjukkan yaitu metode SVM berbasis PSO berhasil dalam meningkatkan kinerja model serta menaikkan bobot pada atribut. Dari hasil evaluasi, SVM kernel Dot lebih unggul daripada kernel lainnya, terbukti dengan metode SVM saja didapat akurasi 92,25% namun setelah dilakukan optimasi dengan menggunakan PSO, nilai akurasi meningkat menjadi 99,50% sehingga terdapat peningkatan sebesar 7,25%.Disimpulkan bahwa algoritma optimasi PSO dapat meningkatkan efektifitas kinerja SVM, guna dapat memperkirakan terkait penyakit ginjal.

Kata kunci: ginjal kronis, prediksi, svm, optimasi, pso