Penerapan Support Vector Machine Dengan Optimasi Particle Swarm Optimization Untuk Mendeteksi Penyakit Malaria

Klasifikasi dapat didefinisikan sebagai perkerjaan yang melakukan pelatihan/pembelajaran terhadap fungsi target f yang memetakan setiap set atribut (fitur) x ke satu dari sejumlah label kelas y yang tersedia. Pekerjaan pelatihan tersebut akan menghasilkan suatu model yang kemudian disimpan sebagai memori. Salah satu contoh adalah mendeteksi penyakit malaria karena memiliki gejala dan tanda klinis yang khas, dalam penelitian ini menggunakan metode support vector machine (SVM) dalam mengklasifikasi penyakit malaria, dan menggunakan particle swarm optimization(PSO) dalam menentukan parameter SVM, karena SVM memiliki kekurangan dalam pemilihan parameter yang berpengaruh pada proses klasifikasi, PSO dipilih karena banyak yang telah terbukti memiliki kinerja yang baik dalam hal tersebut sebab PSO memiliki konsep sederhana dan efisien dalam mencapai solusi global baik minimasi maupun maksimasi. Penelitian ini menggunakan 164 data latih dan 70 data uji. Pengujian menghasilkan akurasi sebesar 91,4286% pada pengujian yang dioptimasi dengan PSO dan tanpa optimasi mendapatkan akurasi sebesar 87,1429%. Hasil tersebut menunjukkan bahwa PSO efektif dalam meningkatkan akurasi.

Classification can be defined as work that performs the training / learning of the target function f which maps each set of attributes (features) x to one of a number of available y class labels. The training work will produce a model which is then stored as memory. One example is the classification of malaria disease because it has typical clinical symptoms, in this research using the method of support vector machine in detecting malaria disease, and using particle swarm optimization in determining SVM parameters, because SVM has shortcomings in the selection of parameters that affect the process Classification, PSO was chosen because many have been shown to have good performance in that case because PSO have simple concept and efficient in reaching global solution both minimize and maximize. This research used 164 training data and 70 test data. yielding accuracy of 91.4286% in testing optimized with PSO and without optimization to get an accuracy of 87.1429%. These results indicate that PSO is effective in improving classification accuracy.