Klasifikasi Penyakit Cacar Monyet Menggunakan Support Vector Machine (SVM)

Classification of Monkeypox Disease Using Support Vector Machine (SVM)

Authors

  • Rohmatullah Sony Wijaya Universitas Pakuan
  • Arie Qur’ania Universitas Pakuan
  • Irma Anggraeni Universitas Pakuan

DOI:

https://doi.org/10.57152/malcom.v4i4.1417

Keywords:

AUC, Cacar Monyet, Kernel, Klasifikasi, ROC, svm

Abstract

Penyakit cacar monyet menjadi sebuah wabah di beberapa negara non endemik pada bulan Juli tahun 2022. Oleh karena itu, tindakan pencegahan atau pengobatan yang tepat perlu dilakukan secara dini dengan cara melakukan identifikasi penyakit menggunakan suatu metode klasifikasi. Klasifikasi dilakukan menggunakan metode knowledge discovery in database (KDD) dengan algoritma support vector machine (SVM) yang menggunakan 4 kernel yaitu linear, RBF, sigmoid, dan polynomial dengan pengaturan parameternya pada masing masing kernel. Algoritma SVM dipilih karena penggunaan berbagai kernelnya memungkinkan eksplorasi bentuk-bentuk keputusan yang berbeda dalam ruang fitur yang lebih tinggi untuk mengangkap pola pola yang tidak linear. Hasil terbaik didapatkan oleh kernel polynomial dengan tingkat akurasi sebesar 75%, sementara kernel linear sebesar 70,5%, RBF sebesar 66%, dan sigmoid sebesar 45%. Kemudian nilai grafik kurva receiver operating characteristic area under control (ROC AUC) untuk kernel polynomial sebesar 0.81. Hal tersebut menunjukkan bahwa model klasifikasi yang dibuat sudah baik dan dapat dikembangkan ke penelitian tahap selanjutnya.

References

Y. Nawaz, I. Nazar, R. Z. Sattar, B. Saeed, and M. K. Ullah, “A Review on Smallpox,” J. Biomed. Sci., vol. 11, no. 6, p. 65, 2022, doi: 10.36648/2254-609X.11.6.65.

T. Mcandrew et al., “Human judgment forecasts of human monkeypox transmission and burden in non-endemic countries,” 2022.

A. Wang, D. Li, W. Shen, and X. Zhang, “Monkeypox Cases Prediction with Machine Learning,” vol. 39, pp. 246–257, 2023.

E. Petersen et al., “Monkeypox - Enhancing public health preparedness for an emerging lethal human zoonotic epidemic threat in the wake of the smallpox post-eradication era.,” J. Autoimmun., pp. 78–84, 2019, [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0896841122000634

Teguh Arifianto, S. Sunaryo, and Lady Silk Moonlight, “Penggunaan Metode Support Vector Machine (Svm) Pada Teknologi Mobil Masa Depan Menggunakan Sidik Jari,” J. Tek. Inform. dan Teknol. Inf., vol. 2, no. 2, pp. 94–97, 2022, doi: 10.55606/jutiti.v2i2.363.

H. S. W. Hovi, A. Id Hadiana, and F. Rakhmat Umbara, “Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM),” Informatics Digit. Expert, vol. 4, no. 1, pp. 40–45, 2022, doi: 10.36423/index.v4i1.895.

F. Aldi, I. Nozomi, R. B. Sentosa, and A. Junaidi, “Machine Learning to Identify Monkey Pox Disease,” Sinkron, vol. 8, no. 3, pp. 1335–1347, 2023, doi: 10.33395/sinkron.v8i3.12524.

Y. Huang, L. Mu, and W. Wang, “Monkeypox: epidemiology, pathogenesis, treatment and prevention,” Signal Transduct. Target. Ther., vol. 7, no. 1, pp. 1–22, 2022, doi: 10.1038/s41392-022-01215-4.

C. I. Agustyaningrum, R. Dahlia, and O. Pahlevi, “Comparison of Conventional Machine Learning and Deep Neural Network Algorithms in the Prediction of Monkey-Pox,” J. Ris. Inform., vol. 5, no. 3, pp. 523–532, 2023, doi: 10.34288/jri.v5i2.522.

R. S. Nugraha, A. D. Rachmanto, and Z. Munawar, “Analisis Keakuratan Nilai Bitcoin Menggunakan Algoritma Regresi Linier Pada Data Mining,” J. Teknol. Inf. dan Komun., vol. 12, no. 2, pp. 2–10, 2023, doi: 10.56244/fiki.v12i2.668.

M. D. Purbolaksono, M. Irvan Tantowi, A. Imam Hidayat, and A. Adiwijaya, “Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, pp. 393–399, 2021, doi: 10.29207/resti.v5i2.3008.

I. K. J. Arta, G. Indrawan, and G. R. Dantes, “Data Mining Rekomendasi Calon Mahasiswa Berprestasi Di Stmik Denpasar Menggunakan Metode Technique for Others Reference By Similarity To Ideal Solution,” JST (Jurnal Sains dan Teknol., vol. 5, no. 2, pp. 11–21, 2019, doi: 10.23887/jstundiksha.v5i2.8549.

I. Romli and A. T. Zy, “Penentuan Jadwal Overtime Dengan Klasifikasi Data Karyawan Menggunakan Algoritma C4.5,” J. Sains Komput. Inform. (J-SAKTI, vol. 4, no. 2, pp. 694–702, 2020.

Galih, “Data Mining di Bidang Pendidikan untuk Analisa Prediksi Kinerja Mahasiswa dengan Komparasi 2 Model Klasifikasi pada STMIK Jabar,” J. Teknol. Sist. Inf. dan Apl., vol. 2, no. 1, p. 23, 2019, doi: 10.32493/jtsi.v2i1.2643.

A. M. Puspitasari, D. E. Ratnawati, and A. W. Widodo, “Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 2, pp. 802–810, 2018, [Online]. Available: http://j-ptiik.ub.ac.id

A. Kowalczyk, Support Vector Machine Succinctly, First. USA, 2017.

J. Yang et al., “Parameter selection of Gaussian kernel SVM based on local density of training set,” Inverse Probl. Sci. Eng., vol. 29, no. 4, pp. 536–548, 2021, doi: 10.1080/17415977.2020.1797716.

M. A. Muslim et al., “Data Mining Algoritma C4.5,” 2019.

B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix,” J. Inform. Upgris, vol. 6, no. 2, pp. 66–75, 2021, doi: 10.26877/jiu.v6i2.6552.

L. Qadrini, A. Sepperwali, and A. Aina, “Decision Tree Dan Adaboost Pada Klasifikasi Penerima Program Bantuan Sosial,” J. Inov. Penelit., vol. 2, no. 7, pp. 1959–1966, 2021.

Downloads

Published

2024-07-31