Komparasi Algoritma Naive bayes dan SVM Untuk Memprediksi Keberhasilan Imunoterapi Pada Penyakit Kutil

research
  • 04 Oct
  • 2018

Komparasi Algoritma Naive bayes dan SVM Untuk Memprediksi Keberhasilan Imunoterapi Pada Penyakit Kutil

Kutil merupakan masalah kesehatan kulit yang pada umumnya ditandai dengan munculnya bejolan kecil bertekstur kasar pada permukaan kulit yang disebabkan oleh virus yaitu human papiloma virus (HPV). Salah satu teknik pengobatan penyakit kutil adalah imunoterapi, metode ini merupakan pengobatan dengan meningkatkan sistem kekebalan tubuh untuk mengatasi penyakit kutil. Naive bayes dan Support Vector Machine (SVM) merupakan metode algoritma data mining yag digunakan untuk melakukan klasifikasi. Penelitian ini dilakukan dengan tujuan untuk melakukan perbandingan antara algoritma Naive bayes dengan Support Vector Machine (SVM) dalam memprediksi keberhasilan metode pengobatan imunoterapi pada pengobatan penyakit kutil. Pengujian yang dilakukan menggunakan metode Naive bayes dan Support Vector Machine (SVM) menggunakan bahasa pemrograman R, kemudian hasilnya digunakan untuk melakukan perbandingan. Hasil dari penelitian ini dinyatakan bahwa metode Naive bayes memiliki kemampuan prediksi lebih unggul dibandingkan dengan Support Vector Machine (SVM) dikarenakan Naive bayes dapat melakukan prediksi terhadap semua instance class secara tepat dengan tingkat akurasinya adalah 1.

Unduhan

  • 78-173-1-SM.pdf

    Komparasi Algoritma Naive bayes dan SVM Untuk Memprediksi Keberhasilan Imunoterapi Pada Penyakit Kutil

    •   diunduh 306x | Ukuran 758 KB

 

REFERENSI

F. Khozeimeh et al., “Intralesional immunotherapy compared to cryotherapy in the treatment of warts,” Int. J. Dermatol., vol. 56, no. 4, pp. 1–5, 2017.

F. Khozeimeh, R. Alizadehsani, M. Roshanzamir, A. Khosravi, P. Layegh, and S. Nahavandi, “An expert system for selecting wart treatment method,” Comput. Biol. Med., vol. 81, no. August 2016, pp. 167–175, 2017.

H. Amalia and E. Evicienna, “Komparasi metode Data Mining Untuk Penentuan Proses Persalinan Ibu Melahirkan,” J. Sist. Inf. (Journal Inf. Syst., vol. 13, pp. 103–109, 2017.

N. Saputra, T. B. Adji, and A. E. Permanasari, “Analisis Sentimen Data Presiden Jokowi dengan Preprocessing Normalisasi dan Stemming menggunakan Metode Naive bayes dan SVM,” J. Din. Inform., vol. 5, no. 1, 2015.

F. A. Novianti and S. W. Purnami, “Analisis Diagnosis Pasien Kanker Payudara Menggunakan Regresi Logistik dan Support Vector Machine (SVM) Berdasarkan Hasil Mamografi,” J. Sains dan Seni ITS, vol. 1, no. 1, pp. D147--D152, 2012.

M. Ridwan, H. Suyono, and M. Sarosa, “Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive bayes Classifier,” Eeccis, vol. 7, no. 1, pp. 59–64, 2013.

K. Hastuti, “Analisis komparasi algoritma klasifikasi data mining untuk prediksi mahasiswa non aktif,” Semin. Nas. Teknol. Inf. Komun. Terap., vol. Juni, no. Semantik, pp. 241–249, 2012.

M. R. Faisal, Seri Belajar Data Science: Klasifikasi dengan Bahasa Pemrograman R. Banjarmasin: Indonesia .NET Developer Community, 2016.

M. R. Faisal, “Seri Belajar Pemrograman : Pengenalan Bahasa Pemrograman R,” no. April. Indonesia .NET Developer Community, Banjarmasin, p. 147, 2016.

W. Budiharto and R. N. Rachmawati, Pengantar Praktis Pemrograman R Untuk Ilmu Komputer, 1st ed. Jakarta: Halaman Moeka, 2013.

S. Mrinalini, N. S. Abinayalakshmi, and C. Vinoth Kumar, “Wavelet feature based SVM and NAIVE BAYES classification of glaucomatous images using PCA and Gabor filter,” Proc. 10th Int. Conf. Intell. Syst. Control. ISCO 2016, 2016.

G. Karthick, “Comparative Performance Analysis of Naive bayes and SVM classifier for Oral X-ray images,” vol. 17, pp. 6–10.

A. Jananto, “Algoritma Naive bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa,” Teknol. Inf. Din., vol. 18, no. 1, pp. 9–16, 2013.