<![CDATA[Optimasi metode klasifikasi merupakan aspek krusial dalam meningkatkan akurasi model, terutama dalam analisis data medis yang kompleks dan memiliki karakteristik peubah yang beragam. Penelitian ini membandingkan performa klasifikasi dari Support Vector Machine (SVM) konvensional dengan dua metode optimasi berbasis metaheuristik yaitu, PSO-SVM dan ABC-SVM. Evaluasi dilakukan pada empat dataset medis, yaitu Breast Cancer, AIDS Disease, Darwin Disease, dan Parkinson Disease, dengan variasi seleksi peubah berbasis proporsi sebesar 30%, 50%, 70% dan 100% dari total peubah pada masing-masing dataset. Hasil penelitian menunjukkan bahwa metode PSO-SVM dan ABC-SVM secara konsisten mampu meningkatkan akurasi klasifikasi dibandingkan SVM standar. Pada beberapa dataset seperti Breast Cancer dan Parkinson Disease, akurasi meningkat dari 96,22% dan 85,53% (SVM) menjadi 100% dengan metode PSO-SVM dan ABC-SVM. Pada dataset AIDS Disease, akurasi meningkat dari 87,36% menjadi 100%. Sementara itu, pada dataset Darwin Disease yang memiliki tingkat overlap tertinggi (OV = 0,99727), peningkatan akurasi lebih terbatas, dari 83,76% (SVM) menjadi 91,65% (ABC-SVM). Proporsi terbaik yang ditemukan bervariasi antar dataset. Namun secara umum proporsi 70% dan 100% menunjukkan hasil akurasi yang paling stabil dengan waktu komputasi yang efisien pada PSO-SVM. Sedangkan pada ABC-SVM, peningkatan akurasi yang tinggi disertai waktu eksekusi yang jauh lebih besar, terutama pada dataset berdimensi tinggi. Analisis lebih lanjut juga menunjukkan bahwa metode optimasi efektif dalam mengatasi tantangan overlapping dan ketidakseimbangan kelas secara moderat, namun efektivitasnya menurun pada kondisi yang lebih kompleks. Dengan demikian, penggunaan metode optimasi PSO-SVM dan ABC-SVM dapat menjadi pendekatan yang efisien untuk meningkatkan akurasi klasifikasi data medis, selama disesuaikan dengan karakteristik data dan sumber daya komputasi yang tersedia.]]>
Copyrights © 2025
