Amiruddin Fadlli, 201469040005 (2018) SUPPORT VECTOR MACHINE DENGAN RELIEFF, CONSISTENCY-BASED DAN MEDICAL KNOWLEDGE-BASED FEATURE SELECTION UNTUK KLASIFIKASI PENYAKIT JANTUNG. Sarjana thesis, Universitas Yudharta.
![[img]](https://repository.yudharta.ac.id/style/images/fileicons/text.png) |
Text (BAB I.pdf)
BAB I.pdf Download (35kB) |
|
Text (BAB II.pdf)
BAB II.pdf Restricted to Registered users only Download (476kB) | Request a copy |
|
Text (BAB III.pdf)
BAB III.pdf Restricted to Registered users only Download (164kB) | Request a copy |
|
Text (BAB IV.pdf)
BAB IV.pdf Restricted to Registered users only Download (407kB) | Request a copy |
|
Text (BAB V.pdf)
BAB V.pdf Restricted to Registered users only Download (45kB) | Request a copy |
|
Text (COVER.pdf)
COVER.pdf Download (669kB) |
|
Text (DAFTAR LAMPIRAN.pdf)
DAFTAR LAMPIRAN.pdf Download (890kB) |
|
Text (DAFTAR PUSTAKA.pdf)
DAFTAR PUSTAKA.pdf Download (71kB) |
Abstract
Terhambatnya asupandarah yang disebabkan oleh bertumpuknya plak di dalam arteri koroner yang mensuplai oksigen ke otot jantung disebut penyakit jantung koroner. Mahal serta beresikonya uji coronary angiography untuk mendiagnosis penyakit ini menuntun peneliti untuk dikembangkan sebuah metode komputerisasi yang mampu mendiagnosis keberadaan PJK. Support Vector Machine memiliki kemampuan klasifikasi yang baik dalam menanganiprediksi PJK. Namun,ka a data medis seringkali mengandung sejumlah fitur yang tidak relevan dan redundan. Maka teknik seleksi fitur ReliefF, Consistency-based dan Medical Knowledge-based Feature Selection dapat digunakan untuk menyeleksi fitur yang relevan pada data medis. RLF, CNS dan MFS mampu mengurangi jumlah atribut yang awalnya berjumlah 13 buah menjadi 3, 11 dan 8 buah. RLF dan CNS berhasil meningkatkan akurasi klasifikasi SVM menjadi 84.4444% dan 83.3333% dari yang pada saat menggunakan semua fitur akurasinya hanya sebesar 81.1111%. Meski MFS menurunkan akurasi dari 81.1111% menjadi 72.2222%, namun gabungan MFS dengan RLF dapat meningkatkan akurasi menjadi 83.3333% dari yang pada saat menggunakan MFS saja hanya sebesar 72.2222%.
| Item Type: | Thesis (Sarjana) | ||||||
|---|---|---|---|---|---|---|---|
| Identification Number: | 005.12 FAD S | ||||||
| Contributors: |
|
||||||
| Subjects: | Karya Umum > Ilmu Umum dan Komputer | ||||||
| Divisions: | Fakultas Teknik > Teknik Informatika | ||||||
| Date Deposited: | 10 Oct 2018 14:11 | ||||||
| Last Modified: | 02 Mar 2022 06:27 | ||||||
| URI: | https://repository.yudharta.ac.id/id/eprint/389 |
Actions (login required)
 |
View Item |