Penerapan Feature Selection Firefly Algorithm (FA) Pada Algoritma Support Vector Machine (SVM) Untuk Prediksi Penyakit Anemia

Tiara Meylinda Sari, 202069040034 (2024) Penerapan Feature Selection Firefly Algorithm (FA) Pada Algoritma Support Vector Machine (SVM) Untuk Prediksi Penyakit Anemia. Sarjana thesis, Universitas Yudharta.

	Text (Abstrak.pdf) 202069040034_Abstrak.pdf Restricted to Registered users only Download (160kB) | Request a copy
	Text (BAB I.pdf) 202069040034_BAB I.pdf Restricted to Registered users only Download (217kB) | Request a copy
	Text (BAB II.pdf) 202069040034_BAB II.pdf Restricted to Registered users only Download (487kB) | Request a copy
	Text (BAB III.pdf) 202069040034_BAB III.pdf Restricted to Registered users only Download (313kB) | Request a copy
	Text (BAB IV.pdf) 202069040034_BAB IV.pdf Restricted to Registered users only Download (526kB) | Request a copy
	Text (BAB V.pdf) 202069040034_BAB V.pdf Restricted to Registered users only Download (129kB) | Request a copy
	Text (Daftar Pustaka.pdf) 202069040034_Daftar Pustaka.pdf Restricted to Registered users only Download (159kB) | Request a copy
	Text (Halaman Depan.pdf) 202069040034_Halaman Depan.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Anemia adalah kondisi medis yang ditandai dengan rendahnya kadar hemoglobin dalam darah, yang dapat menyebabkan kelelahan dan komplikasi kesehatan serius terlebih pada remaja perempuan jika tidak terdeteksi dan diobati dengan baik. Penelitian ini menggunakan dataset yang didapat dari situs web kaggle. Pertama, data diprediksi dengan algoritma SVM kemudian selanjutnya data diprediksi dengan gabungan SVM-FA. FA diterapkan untuk mengidentifikasi dan memilih fitur-fitur yang paling signifikan dalam mempengaruhi prediksi anemia. Setelah proses seleksi fitur, fitur-fitur terpilih kemudian digunakan sebagai input untuk algoritma SVM. Hasil penelitian menunjukkan bahwa kombinasi FA dan SVM menghasilkan peningkatan akurasi dibandingkan dengan penggunaan SVM tanpa seleksi fitur. Pada kernel linear dari akurasi awal 98.95% menjadi 99.65%, kernel polynomial akurasi awal 94.74% menjadi 98.60%, pada kernel RBF akurasi awal 93.68% menjadi 98.25%, namun pada kernel sigmoid akurasi mengalami penurunan dari akurasi awal 47.02% menjadi 12.98%. Kesimpulannya, penerapan FA untuk memilih fitur-fitur penting pada SVM efektif yang berdampak pada peningkatan akurasi untuk tiga kernel SVM. Seleksi fitur menjadi efektif jika menghasilkan kombinasi fitur yang tepat dan dapat menjadi tidak efektif jika menghasilkan kombinasi fitur yang tidak tepat.

Item Type:	Thesis (Sarjana)
Identification Number:	0291-KI-24-01
Contributors:	Contribution Contributors Email Thesis advisor Lukman Hakim, S.Kom., P.hD, ㅤ UNSPECIFIED
Subjects:	Karya Umum > Perpustakaan dan Ilmu Informasi
Divisions:	Fakultas Teknik > Teknik Informatika
Date Deposited:	19 Nov 2024 12:45
Last Modified:	04 Jan 2025 09:42
URI:	https://repository.yudharta.ac.id/id/eprint/5590

Actions (login required)

View Item