DIGITAL LIBRARY
JUDUL | : | Perbandingan Seleksi Fitur Algoritma Genetika dan Binary PSO pada Klasifikasi Retinopati Diabetik dengan Support Vector Machine | |
PENGARANG | : | NORMALIANA SAFITRI | |
PENERBIT | : | UNIVERSITAS LAMBUNG MANGKURAT | |
TANGGAL | : | 2023-10-17 |
Retinopati diabetik merupakan sebuah penyakit komplikasi umum dari diabetes
militus. Komplikasi tersebut berupa kerusakan pada bagian retina mata dan dapat
menyebabkan kebutaan. Retinopati diabetik merupakan faktor terbesar penyebab
hilangnya pengelihatan dalam periode lima puluh tahun terakhir. Hilangnya
pengelihatan karena penyakit ini dapat diredam dengan deteksi dini terhadap retinopati
diabetik, salah satunya dengan melakukan klasifikasi menggunakan metode machine
learning. Pada penelitian ini menggunakan dataset retinopati diabetik dari UCI
Machine Learning Repository dengan 19 fitur dan 1151 data. Metode pengklasifikasi
yang digunakan yaitu Support Vector Machine, namun algoritma ini memiliki
kelemahan yaitu sulitnya dalam memilih fitur yang sesuai dan optimal dalam
melakukan proses menyelesaikan decision making sehingga menyebabkan tingkat
akurasi prediksi menjadi rendah. Kelemahan ini dapat ditangani dengan melakukan
selelsi fitur terhadap dataset retinopati diabetik. Pada penelitian ini dilakukan
perbandingan metode seleksi fitur algoritma genetika dan Binary PSO. Hasil penelitian
menunjukkan bahwa klasifikasi dengan seleksi fitur menggunakan algoritma genetika
dan Binary PSO menghasilkan kinerja lebih baik dari pada klasifikasi tanpa seleksi
fitur dengan peningkatan akurasi masing-masing sebesar 12,97% dan 16,87%.
Algoritma genetika dapat menyeleksi fitur dari total 19 fitur menjadi 7 fitur, sedangkan
Binary PSO genetika dapat menyeleksi fitur dari total 19 fitur menjadi 10 fitur.
Klasifikasi penyakit retinopati diabetik menggunakan support vector machine dengan
seleksi fitur Binary PSO menghasilkan kinerja lebih baik dengan akurasi sebesar
77,92%, recall sebesar 66,41% dan presisi sebesar 91,40% dibandingkan dengan
seleksi fitur menggunakan algoritma genetika yang menghasilkan akurasi sebesar
75,32%, recall sebesar 70,31% dan presisi sebesar 82,57%.
NO | DOWNLOAD LINK |
1 | FILE 1 |
File secara keseluruhan dapat di unduh DISINI