Klasifikasi Penyakit Tiroid Menggunakan Support Vector Machine dengan Optimasi Firefly dan Seleksi Fitur Lasso
Tahun 2025 · Penulis: Augusta Ahmad Bintang Widigdo
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/15644
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Kanker tiroid merupakan jenis kanker yang menyerang kelenjar tiroid, yaitu organ berbentuk kupu-kupu yang terletak di bagian depan leher dan berperan penting dalam mengatur metabolisme tubuh. Deteksi dini kanker ini sangatlah krusial, mengingat gejalanya sering kali tidak disadari hingga penyakit mencapai stadium lanjut. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi penyakit tiroid dengan mengoptimalkan algoritma *Support Vector Machine* (SVM) melalui integrasi tiga metode: LASSO (*Least Absolute Shrinkage and Selection Operator*) untuk seleksi fitur, *Firefly Algorithm* untuk optimasi parameter, dan SMOTE (*Synthetic Minority Over-sampling Technique*) untuk penyeimbangan kelas. Masalah yang umum terjadi dalam klasifikasi data medis adalah adanya fitur yang tidak relevan serta ketidakseimbangan kelas, yang keduanya dapat berdampak negatif terhadap kinerja model. Penelitian ini menggunakan dua kumpulan data (*dataset*): *dataset* Penyakit Tiroid dengan 2.800 catatan dan *dataset* Kekambuhan Kanker Tiroid Terdiferensiasi dengan 383 catatan. Studi ini dilakukan dengan menggunakan delapan kombinasi metode dan dua rasio pembagian data, sehingga menghasilkan total 32 skenario pengujian. Hasil eksperimen menunjukkan bahwa kinerja terbaik pada *dataset* Penyakit Tiroid dicapai melalui kombinasi SVM + *Firefly* + LASSO dengan *kernel* polinomial dan pembagian data 80:20, yang menghasilkan akurasi 98,21%, presisi 63,16%, *recall* 80,00%, dan *F1-score* 70,59%. Sementara itu, pada *dataset* Kekambuhan Kanker Tiroid Terdiferensiasi, hasil terbaik diperoleh dengan menggunakan kombinasi SVM dan *Firefly* dengan *kernel* RBF serta pembagian data 70:30, yang mencapai akurasi 99,13%, presisi 100%, *recall* 96,90%, dan *F1-score* 98,40%. Temuan ini menunjukkan bahwa pendekatan integratif dapat meningkatkan kinerja klasifikasi secara signifikan dibandingkan dengan penggunaan SVM saja.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,879
Tahun 2024 · Penulis: Adhitya Hari Saputra
Implementasi Metode Support Vector Machine dan Particle Swarm Optimization dalam Klasifikasi Faktor Risiko Terkena Penyakit Kanker Paru-paru
Kanker adalah penyakit mematikan dengan jumlah kematian tertinggi di dunia, disebabkan oleh pertumbuhan sel yang tidak terkendali dan dapat menyebar ke bagian tubuh lainnya. Menurut data GLOBOCAN 2020, terdapat 19,2 juta kasus baru kanker. Salah satu jenis kan
- Cosine 0,874
Tahun 2024 · Penulis: Nico Wibiyanto
Analisis Perbandingan Algoritma Support Vector Machine dan Random Forest dengan Seleksi Fitur Sequential, Chi-Square, dan Embedded Pada Penyakit Kanker Payudara
Kanker umumnya terkait dengan tumor ganas yang dapat menyebar ke jaringan tubuh yang lebih luas. Kanker payudara terjadi akibat pertumbuhan sel-sel payudara secara berlebih kemudian membentuk tumor yang bersifat jinak (benigna) dan ganas (maligna). Penyakit ka
- Cosine 0,865
Tahun 2025 · Penulis: Nabillah Salsabilla
Klasifikasi Kanker Paru Menggunakan InceptionV3 Dan EfficientNet Dengan Visualisasi Grad-CAM Untuk Mendukung Diagnosis Klinis
Kanker paru merupakan salah satu penyakit dengan penderita terbanyak didunia. Kanker paru sangat sulit diagnosis karena timbul dan menunjukkan gejala pada stadium lanjutan. Oleh karena itu, untuk meminimalisir kejadian tersebut, membutuhkan dukungan keputusan