Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gumelar, Dimas
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Prediksi Tingkat Resiko Kanker Serviks Menggunakan Algoritma Support Vector Machine Gumelar, Dimas; Muflikhah, Lailil
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 12 (2025): Desember 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kanker adalah salah satu penyakit yang hingga saat ini masih menjadi penyakit yang paling menakutkan. Pada satu dekade yang lalu, kanker serviks menjadi kanker ketiga paling umum di kalangan wanita secara global. Namun, di 42 negara dengan sumber daya terbatas, kanker ini adalah yang paling sering dialami wanita. Berbagai jenis tindakan pencegahan belum bisa menghentikan sebagian besar kasus kanker ini meskipun dengan melakukan tes skrining. Dengan berkembangnya ilmu pengetahuan saat ini, machine learning adalah model yang efektif dengan mendeteksi penyakit yang dituntut cepat. Peneliti mengusulkan penggunaan metode klasifikasi menggunakan Support Vector Machine (SVM) untuk melakukan prediksi tingkat resiko kanker serviks pada wanita. Penelitian ini dilakukan dengan tahapan persiapan, preprocessing, learning dan testing, serta evaluasi. Dataset yang digunakan berasal dari data pasien kanker dari Rumah Sakit Umum Dr. Saiful Anwar, Kota Malang, Indonesia. Untuk tahap preprocessing dilakukan agar data menjadi bentuk numerik yang sesuai dengan model SVM. Selain itu juga dilakukan proses oversampling dengan SMOTE agar persebaran data lebih merata. Proses learning dilakukan dengan 3 kernel yaitu, kernel linear, polynomial, dan RBF. Tiap kernel juga akan dilakukan percobaan tuning hyperparameter untuk mendapatkan hasil yang terbaik pada masing-masing model. Hasil dari penelitian ini menunjukkan kernel yang menghasilkan akurasi terbaik adalah kernel polynomial yang mencapai 88,89% dengan f1-score sempurna pada beberapa label kelas. Selain itu didapatkan pola hyperparameter yang berpengaruh pada hasil akurasi model SVM untuk masing-masing kernel.
Co-Authors Lailil Muflikhah