PENERAPAN METODE SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI PENYAKIT JANTUNG

Jurnal Techno Nusa Mandiri

Vol.X No.1, September 2013

PENERAPAN METODE SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI PENYAKIT JANTUNG Siti Nurajizah AMIK ”BSI Jakarta” Manajemen Informatika Jalan RS Fatmawati No 24 Pondok Labu, Jakarta Selatan http://www.bsi.ac.id [email protected]

ABSTRACT Heart disease is one of the world's deadliest diseases. Heart disease occurs due to narrowing or blockage of the coronary arteries caused by the buildup of fatty substances (cholestero, triglycerides), more and more and accumulate beneath the inner lining of the arteries. Several studies have been conducted to diagnose patients is not yet known but the exact method to predict heart disease. This study uses support vector machine and support vector machine -based method particle swarm optimization to get the rules for the prediction of cardiovascular disease and provide a more accurate value of the result accuracy. After testing two models of Support Vector Machine and Support Vector Machine -based Particle Swarm Optimization and the results by using Support Vector Machine get accuracy values 81.85 % and AUC values 0.899, while testing with Support Vector Machine -based particle swarm optimization to get accuracy values 88.61 % and AUC values 0.919. Both of these methods have difference values of 6.76 % and the difference in AUC value of 0.02. Keywords: Heart disease, Data Mining, Support Vector Machine, Particle Swarm Optimization

I.

PENDAHULUAN Dunia kesehatan saat ini berkembang dengan begitu pesatnya. Industri kesehatan memiliki sejumlah besar data kesehatan, namun beberapa data kesehatan masih tersembunyi, padahal informasi tersebut dibutuhkan untuk membuat sebuah keputusan yang efektif. Dalam bidang medis, di dunia industri kesehatan memerlukan keputusan yang efektif dalam pengambilan keputusan dan keakuratan untuk prediksi suatu penyakit, seperti prediksi penyakit jantung. Penyakit jantung disebut juga dengan penyakit jantung coroner, yaitu penyakit yang terjadi bila darah ke otot jantung terhenti/tersumbat, sehingga mengakibatkan kerusakan berat pada jantung (Rajkumar dan Reena, 2010). Penyebab utama penyakit jantung adalah penggunaan tembakau, fisik tidak aktif, diet yang tidak sehat dan penggunaan alkohol, resiko penyakit jantung bertambah dengan meningkatnya usia, tekanan darah tinggi, mempunyai kolesterol tinggi, dan kelebihan berat badan. Data mining (Subbalakshmi, et all, 2011) adalah proses identifikasi yang valid. Potensi yang berguna dan akhirnya dimengerti pada suatu pola dalam data yang

luas dengan penggunakan database dan pertumbuhan explosis dalam ukuran mereka. Data mengacu pada pengetahuan dari jumlah data yang besar. Data mining adalah pencarian untuk hubungan dan pola global yang ada di database yang besar tapi tersembunyi diantara sejumlah besar data. Sedangkan menurut (Santoso, 2007) data mining adalah kegiatan pengumpulan, pemakaian data history untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar.

II. LANDASAN TEORI 2.1 Data Mining Data Mining adalah rangkaian proses untuk menggali nilai tambah berupa informasi yang belum terekplorasi dari sebuah basis data, melakukan ekplorasi dengan cara-cara tertentu untuk memanipulasi data menjadi informasi yang lebih berharga dengan cara mengektraksi dan mengenali pola penting dari basis data (Han dan Kamber, 2006). Konsep data mining, menemukan pola berharga dalam data, adalah respon yang jelas untuk pengumpulan dan penyimpanan volume data yang besar (Weiss, et al, 2010).

216

Jurnal Techno Nusa Mandiri Vol.X No.1, September 2013

Secara khusus, koleksi metode yang dikenal sebagai 'data mining' menawarkan metodologi dan solusi teknis untuk mengatasi analisis data medis dan konstruksi dari prediksi (Bellazzi dan Zupanb, 2008). Untuk semua aplikasi data mining, akurasi prediksi tergantung pada kualitas prediksi atribut (Weiss, et al, 2010). 2.2 Support Vector Machines Support Vector Machine (SVM) adalah sebuah metode seleksi yang membandingkan parameter standar seperangkat niali diskrit yang disebut kandidat set, dan mengambil salah satu yang memiliki akurasi klasifikasi terbaik (Dong, Xia, Tu, & Xing, 2007). SVM pertama kali diperkenalkan oleh Vapnik, Boser dan Guyon pada tahun 1992. SVM adalah salah satu teknik baru dibandingkan dengan teknik lain, tetapi memiliki performansi yang lebih baik di berbagai bidang aplikasi seperti bioinformatika, pengenalan tulisan tangan, klasifikasi teks, klasifikasi diagnosis penyakit dan lain sebagainya (Feng-Chia, 2009). Support Vector Machines (SVM) adalah seperangkat metode yang terkait untuk suatu metode pembelajaran, untuk kedua masalah klasifikasi dan regresi (Maimon, 2010). Dengan berorientasi pada tugas, kuat, sifat komputasi mudah dikerjakan, SVM telah mencapai sukses besar dan dianggap sebagai state-of-the-art classifier saat ini (Huang, Yang, King, & Lyu, 2008). Karakteristik dari Support Vector Machine adalah sebagai berikut: 1. Support Vector Machine adalah linier classifier 2. Pattern Recognition dilakukan dengan mentransformasikan data pada input space ke ruang yang berdimensi lebih tinggi, dan optimasi dilakukan pada ruang vector yang baru. 3. Menerapkan strategi Structural Risk Minimization (SRM). 4. Prinsip kerja Support Vector Machine pada dasarnya hanya mampu menangani klasifikasi dua class. Data yang tersedia dinotasikan sebagai x ∈ R d sedangkan label masing-masing dinotasikan yi ∈{-1+1} untuk i = 1, 2, ...., n yang mana n adalah banyaknya data. Diasumsikan kedua class –1 dan +1 dapat terpisah secara sempurna oleh hyperplane berdimensi d, yang didefinisikan: (2.1)

217

Sebuah pattern xi yang termasuk class–1 (sampel negatif) dapat dirumuskan sebagai pattern yang memenuhi pertidaksamaan: (2.2) sedangkan pattern yang termasuk class+1 (sampel positif): (2.3) Margin terbesar dapat ditemukan dengan memaksimalkan nilai jarak antara hyperplane dan titik terdekatnya, yaitu 1/||w||. Hal ini dapat dirumuskan sebagai Quadratic Programming (QP) problem, yaitu mencari titik minimal persamaan 2.4, dengan memperhatikan bentuk persamaan 2.5. (2.4) (2.5) Problem ini dapat dipecahkan dengan berbagai teknik komputasi, diantaranya Lagrange Multiplier sebagaimana ditunjukkan pada persamaan 2.6: x w b (i=1,2,….n) (2.6) αi adalah Lagrange multipliers, yang bernilai nol atau positif (αi≥0). Nilai optimal dari persamaan (6) dapat dihitung dengan meminimalkan L terhadap w dan b , dan memaksimalkan L terhadap αi. Dengan memperhatikan sifat bahwa pada titik optimal gradient L=0, persamaan langkah 2.6 dapat dimodifikasi sebagai maksimalisasi problem yang hanya mengandung αi saja, sebagaimana persamaan 2.7 maximize: (2.7) Subject to: αi≥0 (i=1,2,….,n)

(2.8)

Dari hasil perhitungan ini diperoleh αi yang kebanyakan bernilai positif. Data yang berkorelasi dengan αi yang positif inilah yang disebut sebagai Support Vector. 2.3 Particle Swarm Optimization Optimasi adalah proses menyesuaikan kepada masukan atau karakteristik perangkat, proses matematis, atau percobaan untuk menemukan output minimum atau maksimum atau hasil. Input terdiri dari variabel, proses atau fungsi dikenal sebagai fungsi biaya, fungsi tujuan, atau kemampuan fungsi, dan output adalah biaya atau tujuan,



jika proses adalah sebuah percobaan, kemudian variabel adalah masukan fisik untuk percobaan (Haupt & Haupt, 2004). Particle Swarm Optimization (PSO) adalah metode pencarian penduduk, yang berasal dari penelitian untuk pergerakan organisme dari kelompok burung atau ikan, seperti algoritma genetika, Particle Swarm Optimization (PSO) melakukan pencarian menggunakan populasi (swarm) dari individu (partikel) yang diperbaharui dari iterasi untuk iterasi (Fei, et al, 2009). Particle Swarm Optimization (PSO) merupakan algoritma pencarian berbasis populasi dan diinisialisasi dengan populasi solusi acak dan digunakan untuk memecahkan masalah optimasi (Abraham et al, 2006). PSO adalah teknik yang terinspirasi oleh proses alami burung yang berkelompok, dan juga dikenal sebagai segerombolan intelijen dengan mempelajari perilaku sosial atau kelompok hewan. (Shukla,et al, 2010). Untuk menemukan solusi yang optimal, masing-masing partikel bergerak ke arah posisi sebelumnya terbaik (pbest) dan terbaik posisi global (gbest). Kecepatan dan posisi partikel dapat diperbarui sebagai berikut persamaan: vij(t+1) = w * vij(t) + c1 * rand1 * (pbestij(t) – pij(t)) + c2 * rand2(gbestij(t) – pij(t)) (2.9) pij(t+1) = pij(t) + * vij(t+1) (2.10) Dimana: t = menunjukkan counter iterasi Vi j= kecepatan partikel i pada dimensi ke-j (nilainya terbatas antara [- vmax, vmax] pij = posisi partikel i pada j dimensi (nilainya terbatas [-pmax, pmax] pbesti j = posisi pbest partikel i pada dimensi ke-j gbestij = posisi gbest dari dimensi ke-j w = berat inersia (menyeimbangkan eksplorasi global dan lokal eksploitasi) rand1 dan rand2 = fungsi acak di rentang [0, 1] β = faktor kendala untuk mengontrol kecepatan berat (nilainya ke 1) c1 dan c2 adalah faktor pembelajaran pribadi dan sosial (nilainya ke 2) 2.4 Seleksi Atribut Proses data mining membutuhkan biaya komputasi yang tinggi ketika berhadapan dengan kumpulan data dalam jumlah besar. Mengurangi dimensi yaitu jumlah atribut set data atau kelompok atribut, secara efektif dapat memotong biaya tersebut. Pengurangan dimensi tersebut

dilakukan dengan menekan seminimal mungkin kerugian yang dapat terjadi akibat kehilangan sebagian informasi. Tujuan pengurangan dimensi dalam domain data mining adalah untuk mengidentifikasi biaya terkecil di mana algoritma data mining dapat menjaga tingkat kesalahan di bawah perbatasan garis efisiensi. Yang dimaksud dengan biaya adalah fungsi dari kompleksitas teoritis dari algoritma data mining yang berasal dari model, dan berkorelasi dengan waktu yang dibutuhkan algoritma tersebut dalam menjalankan model, serta ukuran dari kumpulan data (Maimon dan Rokach, 2010). Seleksi atribut adalah masalah terkait erat dengan pengurangan dimensi. Tujuan seleksi atribut adalah untuk mengidentifikasi tingkat kepentingan atribut dalam kumpulan data, dan membuang semua atribut lain seperti informasi yang tidak relevan dan berlebihan. Karena seleksi atribut mengurangi dimensi dari data, maka hal ini akan memungkinkan operasi algoritma data mining dapat berjalan lebih efektif dan lebih cepat. Dalam beberapa kasus dengan dilakukannya seleksi atribut dihasilkan peningkatan tingkat akurasi klasifikasi (Maimon dan Rokach, 2010). Di sisi lain, seleksi atribut adalah proses yang mahal, dan juga bertentangan dengan asumsi awal yaitu bahwa semua informasi atau atribut diperlukan dalam rangka mencapai akurasi maksimal. Ada empat alasan utama untuk melakukan pengurangan dimensi yaitu (Maimon dan Rokach, 2010): 1. Penurunan biaya model pembelajaran 2. Meningkatkan kinerja model pembelajaran 3. Mengurangi dimensi yang tidak relevan 4. Mengurangi dimensi yang berlebihan Tujuan seleksi atribut adalah untuk pengurangan atribut dari dataset untuk menghilangkan variabel yang dianggap tidak relevan. Metode seleksi atribut dapat diklasifikasikan ke dalam tiga kategori utama (Vercellis, 2009): 1. Metode filter Metode Filter adalah memilih atribut yang relevan sebelum pindah ke tahap pembelajaran berikutnya, atribut yang dianggap paling penting yang dipilih untuk pembelajar sedangkan sisanya dikecualikan 2. Metode wrapper Metode wrapper menilai sekelompok variabel dengan menggunakan

218


3.

klasifikasi yang sama atau algoritma regresi digunakan untuk memprediksi nilai dari variabel target. Metode embedded Untuk metode embedded, proses seleksi atribut terletak di dalam algoritma pembelajaran, sehingga pemilihan set optimal atribut secara langsung dibuat selama fase generasi model.

Dalam penelitian ini metode pengumpulan data untuk mendapatkan sumber data yang digunakan adalah metode pengumpulan data sekunder. Data utama diperoleh dari University of California Irvine machine learning data repository sedangkan data pendukung didapatkan dari buku, jurnal dan publikasi lainnya. 3.2 Tahapan penelitian Terdapat beberapa tahap dalam pengolahan data eksperimen, pada penelitian ini menggunakan model Cross-Standard Industry for Data Mining (CRISP-DM), yaitu seperti terlihat pada diagram di bawah ini: (Sumathi dan Sivanandam,2006) 1. Tahap Business Understanding Tahap Business Understanding merupakan pemahaman tentang substansi dari kegiatan data mining yang akan dilakukan serta kebutuhan data mining dari segi perspektif bisnis. Kegiatan yang dilakukan antara lain: menentukan sasaran atau tujuan bisnis, memahami situasi bisnis, menentukan tujuan data mining, serta membuat perencanaan strategis beserta jadwal penelitian. Dalam penelitian ini dilakukan prediksi untuk mendeteksi penyakit jantung menggunakan Support Vector Machine dan Support Vector Machine berbasis Algoritma Particle Swarm Optimization.

III. METODE PENELITIAN 3.1 Desain Penelitian Menurut (Sugiyono, 2009) Metode penelitian dapat diklasifikasikan berdasarkan tujuan dan tingkat kealamian (natural setting) obyek yang diteliti. Berdasarkan tujuan, metode penelitian dapat diklasifikasikan menjadi penelitian dasar (basic research), penelitian terapan (applied research) dan penelitian pengembangan (research and development). Selanjutnya berdasarkan tingkat kealamian, metode penelitian dapat dikelompokan menjadi metode penelitian eksperimen, survey dan naturalistik. Menurut (Kothari, 2004) Jenis penelitian eksperimen adalah metode yang menguji kebenaran sebuah hipotesis dengan statistik dan menghubungkan dengan masalah penelitian. Jenis penelitian eksperimen dibagi dua, yaitu eksperimen absolut dan eksperimen komparatif. Eksperimen absolut mengarah kepada dampak yang dihasilkan dari eksperimen, misalnya pengaruh honor dosen terhadap kinerja. Sedangkan eksperimen komparatif yaitu membandingkan dua objek yang berbeda, misalnya membandingkan dua algoritma yang berbeda dengan melihat hasil statistik masing-masing yang mana lebih baik (Kothari, 2004). Dalam penelitian ini digunakan jenis penelitian eksperimen untuk menghasilkan nilai akurasi untuk prediksi penyakit jantung.

2.

Tahap Data Understanding Data Understanding adalah fase mengumpulkan data awal, mempelajari data untuk bisa mengenal data yang akan dipakai, mengidentifikasi masalah yang berkaitan dengan kualitas data, mendeteksi subset yang menarik dari data untuk mebuat hipotesa awal. Pada fase ini akan ditentukan atribut-atribut yang digunakan untuk membangun model. Pada penelitian ini data yang diolah merupakan data pasien penyakit jantung pada University of California Irvine yang terdiri dari field sebagai berikut:

Tabel Atribut Penyakit Jantung No

1

2

219

Atribut

Nilai

Kategori

<40

Inventus

40-50

Verilitas

55-64

Prasenium

>=65

Senium

Age

1

Laki-laki

2

Perempuan

Sex


3

4

5

6

7

8

9

10

11

12

13


1

Typical Angina

2

Atypica Angina

3

Non Angina Pain

4

Asymptomatic

Chest Pain Type

<120

Normal

120-139

Prehipertensi

140-159

Hipertensi Level I

>159

Hipertensi Level II

<200

Normal

200-239

Batas Normal Tinggi

>239

Tinggi

Testing Blood Pressure

Serum Cholesterol

1

Ya

0

Tidak

0

Normal

1

Abnormality

2

Left Hypertropy

Fasting Blood Sugar

Resting Electrocardiographic Result Maximum Heart Rate Archeived

=220-usia

Normal

<>220-usia

Tidak normal

ExerciseInduced Angina

Old peak

The Slope of the peak exercise ST segmen

Number Vessel

Thal

of

Major

0

Tidak

1

Ya

<1

0

>=1 dan <2

1

>=2 dan <3

2

>=3 dan <4

3

>=4

4

Ventricular

1

Unsloping

2

Flat

3

Downsloping

1

1

2

2

3

3

3

Normal

6

Fixed defect

7

Reversible defect

220


3.

Tahap Data Preparation Data preparation sering disebut sebagai fase yang padat karya. Aktifitas yang dilakukan antara lain memilih tabel atau field sebagai bahan untuk data mining. Terdapat beberapa tehnik data preprocessing, diantaranya data cleaning, data integration, data reduction dan data transformations (Vecellis, 2009): 1. Data validation, untuk mengidentifikasi dan menghapus data yang ganjil (outlier/noise), data yang tidak konsisten, dan data yang tidak lengkap (missing value). 2. Data integration and transformation, untuk meningkatkan akurasi dan efisiensi algoritma. 3. Data size reduction and dicretization, Teknik ini digunakan untuk mereduksi ukuran data jika dataset yang digunakan cukup besar yang berguna untuk membuat model pembelajaran algoritma menjadi lebih efisien tanpa mengurangi kualitas dari hasil yang diperoleh.

Jika data yang ada masih terdapat duplikasi atau anomaly maka terlebih dahulu dilakukan proses replace missing seperti gambar berikut:

Gambar 1 Model Desain Replace Missing Hasil dari proses replace missing dapat terlihat pada tabel berikut:

221

Gambar 2 Hasil Replace Missing

4.

Tahap Modelling Tahap modelling dilakukan untuk memilih dan menerapkan teknik pemodelan yang tepat, menentukan tools data mining yang digunakan, serta menentukan parameter dengan nilai yang optimal. Pada tahap ini juga dapat disebut sebagai tahap learning karena pada tahap ini data training dilatih oleh model yang dipilih. Pada penelitian ini model yang digunakan adalah Support Vector Machine dengan algoritma Particle Swarm Optimization. Pengujian prediksi penyakit jantung dengan metode Support Vector Machine menggunakan K-Fold Cross Validation dengan desain sebagai berikut:



Gambar 3. Pengujian SVM dengan K-Fold Cross Validation Tahap Evaluation Evaluation adalah fase interpretasi terhadap hasil data mining yang ditunjukan pada proses pemodelan fase sebelumnya. Evaluasi dilakukan secara mendalam dengan tujuan menyesuaikan model yang didapat agar sesuai dengan sasaran yang ingin dicapai dalam fase pertama. Pada tahap ini dilakukan pengujian terhadap model yang dipakai yaitu Support Vector Machine dan Support Vector Machine berbasis Particle Swarm Optimization.

Accuracy(%)

AUC

0.0

0.0

79.55

0.850

1.0

1.0

75

0.756

1.0

1.0

75

0.756

1.0

0.0

81.85

0.899

0.0

0.0

79.55

0.750

1.0

0.0

81.85

0.899

5.

IV. HASIL PENELITIAN Pengukuran dari hasil penelitian ini adalah sebagai berikut: 4.1 Support Vector Machine Nilai training cycles dalam penelitian ini ditentukan dengan cara melakukan uji coba memasukkan C, epsilon. Berikut ini adalah hasil dari percobaan yang telah dilakukan untuk penentuan nilai training cycles: Tabel 2. Eksperiment penentuan nilai training cycle SVM C Epsilon SVM

Hasil terbaik pada eksperiment SVM diatas adalah dengan C=0.0 dan Epsilon=0.0 dihasilkan accuracy 79,55 dan AUCnya 0,750 untuk SVM dengan C=1.0 dan Epsilon=0.0 dihasilkan accuracy 81,85 dan AUCnya 0,899. 4.2 Support Vector Machine Berbasis Particle Swarm Optimization Nilai training cycles dalam penelitian ini ditentukan dengan cara melakukan uji coba memasukkan C, epsilon dan population size. Berikut ini adalah hasil dari percobaan yang telah dilakukan untuk penentuan nilai training cycles:

Tabel 3. Eksperiment penentuan nilai training cycle SVM berbasis PSO

SVM C

Epsilon Accuracy

AUC

SVM-PSO Population Size Accuracy AUC

0.0

0.0

79.55

0.850

5

80.03

0.872

1.0

1.0

75

0.756

5

75.15

0.783

1.0

1.0

75

0.756

10

78.28

0.783

1.0

0.0

81.85

0.899

20

88.61

0.919

0.0

0.0

79.55

0.750

30

82.50

0.825

1.0

0.0

81.85

0.899

40

88.61

0.923

Hasil terbaik pada eksperiment SVM berbasis PSO diatas adalah dengan C=1.0 dan Epsilon=0 serta population size = 5 yang dihasilkan accuracy 88.61 % dan AUCnya 0.923 dan dengan C=1.0 dan Epsilon=0 serta population size = 20 untuk SVM berbasis

PSO dihasilkan accuracy 88.61 dan AUCnya 0.919. Tahap selanjutnya adalah menyeleksi atribut yang digunakan yaitu age, sex, chest paint type, testing blood pressure, serum

222


cholesterol, fasting blood sugar, resting electrocariographic result, maximum heart rate archieved, exercise induced angina, old peak, the slope of the peak exercise ST segmen, number of major vessel, thal dan 1

atribut sebagai label yaitu class . Dari hasil eksperiment dengan menggunakan algoritma support vector machine berbasis particle swarm optimization diperoleh hasil seperti dalam tabel dibawah ini:

Tabel 4 Hasil Seleksi Atribut Atribut

Weight

Age

0

Sex

0

Chest pain type

1

Testing Blood Pressure

0,223

Serum Cholesterol

0,029

Fasting Blood Sugar

1

Resting Electrocardiographic Result

0,16

Maximum heart rate Archeived

0,345

Exercise Induced Angina

0,333

Old Peak

0

The Slope of the peak exercise ST segmen Number of Major Vessel Thal

Dari 13 variabel yang telah dilakukan seleksi atribut sehingga menghasilkan 9 atribut terpilih yang digunakan, yaitu: chest pain type, testing blood pressure, serum cholesterol, fasting blood pressure, resting electrocardiographic, maximum heart rate archeived, exercise induced angina, slope of the peak exercise ST segemn, thal. Sedangkan age, sex, old peak, dan number of major vessel tidak berpengaruh terhadap bobot atribut. 4.3 Evaluasi dan Validasi Hasil Hasil dari pengujian model yang dilakukan adalah memprediksi penyakit jantung dengan support vector machine dan support vector machine berbasis particle swarm optimization untuk menentukan nilai accuracy dan AUC. Dalam menentukan nilai tingkat keakurasian dalam model support

223

0,9 0 0,544

vector machine dan support vector machine berbasis particle swarm optimization. Metode pengujiannya menggunakan cross validation dengan desain modelnya sebagai berikut:

Gambar 4. Desain Model Validasi



1.

Hasil Pengujian Model Support Vector Machine Pada penelitian penentuan hasil penyakit jantung menggunakan algoritma Support Vector Machine berbasis pada framework RapidMiner sebagai berikut:

Gambar 5. Model Pengujian Support Vector Machine

validasi

Nilai accuracy, precision, dan recall dari data training dapat dihitung dengan menggunakan RapidMiner. Hasil pengujian dengan menggunakan model Support Vector Machine didapatkan hasil pada tabel berikut: Confusion Matrix Pada tabel 5 diketahui dari 270 data, sebanyak 79 data diklasifikasikan ya sesuai dengan prediksi yang dilakukan metode SVM, kemudian 8 data diprediksi ya tetapi hasilnya ternyata tidak, 142 data class tidak diprediksi sesuai, dan 41 data diprediksi tidak ternyata hasil prediksinya ya.

Tabel 5 Model Confusion Matrix untuk Metode Support Vector Machine accuracy: 81.85% +/- 7.49% (mikro: 81.85%)

Prediksi Ya

True Ya 79

True Tidak 8

Prediksi Tidak

41

142

Class recall (%)

65.83

94.67

2. Hasil Pengujian Model Support Vector Machine berbasis Particle Swarm Optimization Pada penelitian penentuan hasil penyakit jantung menggunakan algoritma Support

Class Precission (%) 90.80 77.60

Vector Machine berbasis Particle Swarm Optimization (PSO) pada framework RapidMiner sebagai berikut:

Gambar 6. Model pengujian validasi Support Vector Machine berbasis particle berbasis Particle Swarm Optimization (PSO)

224


Nilai accuracy, precision, dan recall dari data training dapat dihitung dengan menggunakan RapidMiner. Hasil pengujian dengan menggunakan model Support Vector Machine berbasis Particle Swarm Optimization didapatkan hasil sebagai berikut:

SVM dengan Particle Swarm Optimization, kemudian 5 data diprediksi ya tetapi hasilnya ternyata tidak, 154 data class tidak diprediksi sesuai, dan 26 data diprediksi tidak ternyata hasil prediksinya ya.

Confusion Matrix Pada tabel 6 diketahui dari 270 data, sebanyak 85 data diklasifikasikan ya sesuai dengan prediksi yang dilakukan metode Tabel 6 Model Confusion Matrix untuk Metode Support Vector Machine berbasis Particle Swarm Optimization accuracy: 88,61% +/- 4.06% (mikro: 88.60%) Class Precission True Ya True Tidak (%) Prediksi Ya

85

5

94.44

Prediksi Tidak

26

154

85.55

Class recall (%)

76.57

96.85

Dari hasil pengujian diatas, baik evaluasi menggunakan confusion matrix terbukti bahwa hasil pengujian metode SVM berbasis PSO memiliki nilai akurasi yang lebih tinggi dibandingkan dengan metode

SVM tunggal. Nilai akurasi untuk SVM sebesar 81.85% dan nilai untuk metode SVM berbasis PSO 88,61% dengan selisih akurasi 6.76% dapat dilihat pada tabel

metode akurasi sebesar sebesar berikut:

Tabel 7 Pengujian algoritma SVM dan SVM berbasis PSO Support Vector Machine Accuracy AUC

81.85% 0.899

Support Vector Machine dengan PSO 88.61% 0.919

V. KESIMPULAN Berdasarkan hasil eksperiment yang dilakukan untuk memecahkan masalah hasil prediksi penyakit jantung, dapat disimpulkan bahwa hasil eksperiment menggunakan metode support vector machine mempunyai tingkat akurasi sebesar 79.55 % dan mempunyai nilai AUC sebesar 0.850. Setelah dilakukan penyesuaian pada parameter C dan epsilon didapat nilai akurasi terbaik untuk support vector machine yaitu mempunyai akurasi sebesar 81.85 % dan nilai AUCnya sebesar 0.899.

225

Peningkatan

6.76% 0.02

Sedangkan eksperiment kedua yang dilakukan dengan menggunakan metode support vector machine berbasis particle swarm optimization mempunyai nilai akurasi sebesar 82.50 % dan nilai AUC sebesar 0.825. Setelah dilakukan penyesuaian pada parameter C dan epsilon dan population didapat nilai akurasi terbaik untuk metode support vector machine berbasis particle swarm optimization yaitu mempunyai akurasi sebesar 88.61 % dan nilai AUC sebesar 0.919.



DAFTAR PUSTAKA Abraham, Grosan. 2006. Swarm Intelligence In Data Mining. Verlag Berlin Heidelberg: Springer. Bellazzi, R., dan Zupanb, B. 2008. Predictive Data Mining In Clinical Medicine: Current Issues And And Guidelines. International Journal Of Medical Informatics 7 7 , 81–97. Fei, S. W, Miao, Y. B, dan Liu, C. L. 2009. Chinese Grain Production Haupt, R. L., dan Haupt. 2004. Practical Genetic Algorithms. Untied States Of America: A John Wiley & Sons Inc Publication. Huang, K., Yang, H., King, I., dan Lyu, M. 2008. Machine Learning Modeling Data Locally And Globally. Berlin Heidelberg: Zhejiang University Press, Hangzhou And SpringerVerlag Gmbh. Kothari, C. R. 2004. Research Methology Methods and Techniques. India:New Age International Limited. Liu, Y., Wang, G., Chen, H., dan Dong, H., 2011. An Improved Particle Swarm Optimization for Feature Selection. Journal of Bionic Engineering Vol 8 , 1-10.

Forecasting Method Based On Particle Swarm Optimization-Based Support Vector Machine. Recent Patents On Engineering 2009 , 3, 812. Feng-Chia, L. 2009. Comparison of the Primitive Classifiers without Features Selection in Credit Scoring. Management and Service Science. Han, J.,dan Kamber, M. 2006. Data Mining Concept and Tehniques. San Fransisco:Morgan Kauffman. Subbalakshmi, G., Ramesh, K., dan Chinna Rao, M. 2011. Decision Support in Heart Disease Prediction System using Naive Bayes. Indian Journal of Computer Science and Engineering (IJCSE), 170-176. Sugiyono. 2009. Metode Penelitian Bisnis. Bandung: Alfabeta Vercellis, C. 2009. Business Intelligent: Data Mining and Optimization for Decision Making. Southern Gate, Chichester, West Sussex: John Willey dan Sons, Ltd. Weiss, S. M., Indurkhya, N., dan Zhang. 2010. Fundamentals Of Predictive Text Mining. London: Springer.

Biodata Penulis Maimon, Oded dan Rokach, Lior. 2005. Data Mining and Knowledge Discovey Handbook. New York: Springer. Rajkumar, A., dan Reena, G. S. 2010. Diagnosis Of Heart Disease Using Data Mining Algorithm. Global Journal of Computer Science and Technology, Vol. 10 Issue 10, 38-43. Santoso, B. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis.Yogyakarta: Graha Ilmu.

Siti Nurajizah, dilahirkan di Jakarta pada tanggal 21 April 1985. Menamatkan sarjana (S1) jurusan Sistem Informasi pada tahun 2010 kemudian menyelesaikan pendidikan Pascasarjana pada tahun 2013 di STMIK Nusa Mandiri Jakarta. Saat ini beliau bekerja sebagai Staf Akademik di Bina Sarana informasi dan mengajar mata kuliah bidang aplikasi komputer. Untuk menghubungi beliau silahkan berkirim email ke : [email protected]

226

PENERAPAN METODE SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI PENYAKIT JANTUNG

Recommend Documents