| dc.description.abstract | Demam tifoid merupakan penyakit demam akut atau yang terjadi dalam waktu cepat yang disebabkan oleh bakteri, yaitu Salmonella typhi. Angka kejadian kasus demam tifoid diperkirakan mencapai 900.000 kasus pertahun dengan lebih dari 20.000 kasus didalamnya meninggal. Beberapa penelitian telah dilakukan untuk meneliti penyakit demam tifoid, diantaranya menggunakan algoritma data mining. Beberapa algoritma data mining yang digunakan antara lain K-Means, Naïve Bayes, dan Support Vector Machine.
Support Vector Machine (SVM) adalah metode machine learning yang digunakan untuk melakukan suatu prediksi dalam klasifikasi maupun prediksi pada suatu data, salah satunya prediksi pada klasifikasi data tingkat kesembuhan pasien demam tifoid. Metode SVM dapat digunakan dalam klasifikasi dan regresi secara linier ataupun nonlinier, namun SVM memiliki masalah dalam parameter sehingga diperlukan metode yang dapat mengoptimasi parameter SVM yaitu Particle Swarm Optimization (PSO). PSO merupakan metode optimasi yang dapat digunakan untuk menentukan parameter-parameter proses dan menghasilkan nilai respon yang optimum. Selanjutnya respon optimum tersebut digunakan untuk menentukan parameter optimal dengan menemukan parameter yang memiliki akurasi terbaik saat particle bergerak dalam problem space dari parameter SVM.
Penelitian ini menggunakan 180 data yang didapatkan dari hasil rekam medis objek penelitian, yaitu Klinik Assunniyyah Kencong Jember. Data tersebut terdiri dari variabel Usia, Jenis Kelamin, Panas Tubuh, Suhu Tubuh, Pekerjaan, Riwayat Demam Tifoid, dan Tingkat Kesembuhan. Variabel bebas (x) terdiri dari Usia, Jenis Kelamin, Panas Tubuh, Suhu Tubuh, Pekerjaan dan Riwayat Demam Tifoid, sedangkan variabel terikat (y) yaitu Tingkat Kesembuhan yang terdiri dari 3 kelas, yaitu tinggi (High), sedang (Moderate), dan rendah (Low). Penelitian ini menggunakan bantuan software RStudio serta menggunakan data pengamatan dan data Principal Component Analysis (PCA). Keseluruhan pengujian menggunakan 4 kernel yang sama,yaitu linear, polynomial, radial, dan sigmoid.
Data pengamatan dilakukan pengujian terlebih dahulu menggunakan metode SVM. Pada pengamatan ini dilakukan tuning SVM dengan k-cross validation sebagai tune SVM. Nilai k yang digunakan adalah 5 dan 10. Hasil tuning pada k=5 dan k=10 didapatkan nilai parameter cost dan gamma terbaik serta nilai error terkecil yang sama, nilai tersebut masing-masing sebesar 0,001; 3; dan 0. Hasil akurasi rata-rata sebesar 95,48% diperoleh dari uji data training dan data testing. Data pengamatan juga dilakukan pengujian dengan menggunakan metode SVM berbasis PSO. Data diproses terlebih dahulu kedalam PSO untuk mencari nilai parameter terbaik dan value, kemudian dilanjutkan pada proses SVM. Dari pengujian data training dan testing dengan keempat kernel, nilai parameter terbaik yang didapatkan dari PSO dengan menggunakan kernel linear adalah 0 dan 1 yang digunakan sebagai nilai gamma dan cost terbaik saat proses SVM, sedangkan value terbaik adalah 0,0277778 yang digunakan sebagai nilai error untuk mendapatkan hasil akurasi terbesar. Dilanjutkan pada proses SVM dan didapatkan hasil akurasi sebesar 97,22% dengan menggunakan kernel linear. Penelitian ini juga dilakukan pengujian menggunakan data Principal Component Analysis (PCA) yang bertujuan untuk visualisasi nilai akurasi. Hasil akurasi data PCA didapatkan dari perhitungan masing-masing kernel menggunakan metode SVM dan SVM berbasis PSO. Kernel yang menghasilkan nilai akurasi terbesar pada metode SVM dan SVM berbasis PSO baik saat melakukan uji data training maupun data testing adalah kernel radial. Adapun hasil akurasi terbaik metode SVM dan SVM berbasis PSO masing-masing memiliki rata-rata sebesar 69,79% dan 69,89%.
Hasil akurasi menggunakan metode SVM dan SVM berbasis PSO baik pada pengujian data pengamatan maupun data PCA didapatkan nilai akurasi terbaik menggunakan metode SVM berbasis PSO pada pengujian data pengamatan dengan nilai akurasi sebesar 97,22%. Penggunaan PSO pada metode SVM terbukti dapat meningkatkan nilai akurasi sebesar 1,74% untuk uji data pengamatan dan 0,1% untuk uji data PCA. | en_US |
