Claim Missing Document
Check
Articles

Found 32 Documents
Search

Algoritma Support Vector Machine (SVM) dan Adaptive Boosting (AdaBoost) untuk Klasifikasi Penyakit Kanker Paru-paru Pasma Azzahra; Ravisha Keyna Anduwi; Desiani, Anita; Novi Rustiana Dewi; Indri Ramayanti
JSI: Jurnal Sistem Informasi (E-Journal) Vol 17 No 2 (2025): JSI: Jurnal Sistem Informasi (E-Journal)
Publisher : Jurusan Sistem Informasi Fakultas Ilmu Komputer Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18495/jsi.v17i2.319

Abstract

Kanker paru-paru adalah jenis kanker yang tumbuh dalam organ paru-paru di mana perubahan sel paru-paru yang tidak normal terjadi. Penyakit ini disebabkan oleh beberapa kebiasaan seperti merokok, alergi, polusi udara, dan sebagainya. Kanker paru-paru termasuk jenis kanker yang mematikan. Deteksi dini dapat dilakukan dengan pendekatan matematis yaitu data mining. Penelitian ini bertujuan untuk menganalisis perbandingan kinerja klasifikasi antara algoritma Support Vector Machine (SVM) dan Adaptive Boosting (AdaBoost). Analisis komparatif ini dilakukan untuk mengidentifikasi algoritma mana yang menunjukkan performa paling optimal dalam penanganan data kanker paru-paru. Teknik uji yang dilakukan pada penelitian ini adalah percentage split dan K-Fold cross validation. Hasil pengujian dengan metode percentage split menunjukkan bahwa algoritma SVM mencapai akurasi 85%, sedangkan algoritma AdaBoost memperoleh akurasi 95%. Sementara itu, pengujian dilakukan menggunakan teknik K-Fold cross validation, akurasi untuk algoritma SVM adalah 88% dan untuk algoritma AdaBoost sebesar 93%. Dapat disimpulkan bahwa metode percentage split dengan algoritma AdaBoost memiliki performa tertinggi dibandingkan metode dan teknik pengujian lainnya, yaitu sebesar 98% sehingga algoritma Adaboost lebih akurat untuk deteksi dini kanker paru-paru. . Kontribusi penelitian ini terletak pada pengembangan sistem pendukung keputusan untuk diagnosis awal kanker paru-paru, yang berpotensi mempermudah tenaga medis dalam tahap deteksi dini.
Box Fractal as an Iterated Function System in Fractal Interpolation for Determining the Approximate Value of Demand Data Susanti, Eka; Dwipurwani, Oki; Cahyawati, Dian; Dewi, Novi Rustiana; Khotimah, Husnul; Ningsih, Wahyuni Apria
CAUCHY: Jurnal Matematika Murni dan Aplikasi Vol 11, No 1 (2026): CAUCHY: JURNAL MATEMATIKA MURNI DAN APLIKASI
Publisher : Mathematics Department, Universitas Islam Negeri Maulana Malik Ibrahim Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/cauchy.v11i1.38905

Abstract

A common problem in inventory planning is the uncertainty of the demand. One technique for determining the demand approximation value is the fractal interpolation. The aim of this study is to develop a fractal interpolation technique with an Fractal Interpolated Function constructed by the affine function that forms the Box Fractal shape. The development results are applied to interpolate rice demand data based on prices at a rice milling factory. Mean Absolute Percentage Error (MAPE) is used to measure the accuracy of interpolation results. For the nth iteration, the number of boxes formed are 5n and 4×5n pairs of points. Based on the rice demand data at one of the factories, the best MAPE was obtained at the 6th Iteration, which is 7.1596% within very good category. Based on the data used, the affine function that forms the Box Fractal as an Fractal Interpolated Function can be used in the fractal interpolation technique.