KOMPARASI ALGORITMA KLASIFIKASI SVM-PSO DAN C4.5-PSO DALAM PREDIKSI PENYAKIT JANTUNG

Weiskhy Steven Dharmawan

Abstract


Dalam analisis data untuk dataset yang berdimensi besar, klasifikasi sangat diperlukan dalam memprediksi dari sebuah dataset, dalam penelitian ini membandingkan suatu metode untuk mengklasifikasi data yang besar yang dimana data tesebut akan di olah untuk mendapatkan hasil informasi prediksi data yang di inginkan. Dalam penelitian ini Support Vector Machine (SVM) digunakan untuk memberikan hasil klasifikasi dari kinerja seleksi fitur yang dilakukan Particle Swarm Optimization (PSO) yang mana hasil pengujian nya akan di bandingkan dengan algoritma klasifikasi C4.5 sebagai pembanding algoritma mana yang lebih baik dalam memprediksi dari sebuah dataset. C4.5 digunakan juga untuk memberikan hasil klasifikasi yang di gabungan bersama Particle Swarm Optimization (PSO). Dari eksperimen yang di lakukan algoritma SVM-PSO mendapatkan nilai Accuracy 84.81% dan nilai AUCnya 0.898 sedangkan Algoritma C4.5-PSO mendapatkan nilai Accuracy 80.00% dan nilai AUCnya 0.787.


Full Text:

PDF

References


Abraham, A., Grosan, C., & Ramos, V. (2006). Swarm Intelligence in Data Mining. Springer.

Gorunescu, F. (2011). Data mining: concepts and techniques. In Chemistry & https://doi.org/10.1007/978-3-642-19721-5

Jiawei, H., Kamber, M., Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. In San Francisco, CA, itd: Morgan Kaufmann. https://doi.org/10.1016/B978-0-12-381479-1.00001-0

Kim, J., Choi, K., Kim, G., & Suh, Y. (2012). Classification cost: An empirical comparison among traditional classifier, Cost-Sensitive Classifier, and MetaCost. Expert Systems with Applications, 39(4), 4013–4019. https://doi.org/10.1016/j.eswa.2011.09.071

Lee, Y., & Lee, J. (2015). Binary tree optimization using genetic algorithm for multiclass support vector machine. Expert Systems with Applications, 42(8), 3843–3851. https://doi.org/10.1016/j.eswa.2015.01.022

Liu, Y., Yu, X., Huang, J. X., & An, A. (2011). Combining integrated sampling with SVM ensembles for learning from imbalanced datasets. Information Processing and Management, 47(4), 617–631. https://doi.org/10.1016/j.ipm.2010.11.007

Witten, I. H., Frank, E., & Hall, M. a. (2011). Data Mining Practical Machine Learning Tools and Techniques Third Edition. In Data Mining (Vol. 277, Issue Tentang Data Mining). https://doi.org/10.1002/1521-3773(20010316)40:6<9823::AID-ANIE9823>3.3.CO;2-C

Yin, Y., Han, D., & Cai, Z. (2011). Explore Data Classification Algorithm Based on SVM and PSO for Education Decision. Journal of Convergence Information Technology, 6(10), 122–128. https://doi.org/10.4156/jcit.vol6.issue10.16

Yu, X., Guo, S., Guo, J., & Huang, X. (2011). An extended support vector machine forecasting framework for customer churn in e-commerce. Expert Systems with Applications, 38(3), 1425–1430. https://doi.org/10.1016/j.eswa.2010.07.049

Zaki, M. J., Meira, W., & Jr. (2014). Data Mining and Analysis: Fundamental Concepts and Algorithms. 562. https://books.google.com/books?hl=en&lr=&id=Gh9GAwAAQBAJ&pgis=1




DOI: http://dx.doi.org/10.36723/juri.v13i2.301

Refbacks

  • There are currently no refbacks.


Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional.