PENERAPAN OPTIMASI BERBASIS PARTICLE SWARM OPTIMIZATION (PSO) ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBOR SEBAGAI PERBANDINGAN UNTUK MENCARI KINERJA TERBAIK DALAM MENDETEKSI KANKER PAYUDARA

Main Article Content

Taghfirul Azhima Yoga Siswa Prihandoko Prihandoko

Abstract

Saat ini kanker payudara menjadi jenis kanker yang sangat menakutkan bagi perempuan diseluruh dunia, hal ini juga berlaku di Indonesia. Salah satu pemanfaatan teknologi informasi dalam bidang kesehatan adalah disiplin ilmu yang berkembang pesat dewasa ini yaitu Data Mining. Dibutuhkan salah satu teknik data optimasi yang bertujuan untuk meningkatkan kinerja metode klasifikasi data mining konvensional yang sudah dipilih dalam penelitian ini. Salah satu algoritma optimasi yang cukup popular adalah Particle Swarm Optimization (PSO). Penelitian ini bertujuan menerapkan dan mengevaluasi perbandingan kinerja terbaik metode klasifikasi data mining algoritma Naïve Bayes dan K-Nearest Neighbor berbasis PSO untuk mendeteksi kanker payudara. Hasil Penelitian ini menjelaskan bahwa penerapan Particle Swarm Optimization (PSO) menghasilkan hasil yang signifikan dalam memberikan peningkatan kinerja (optimasi) pada algoritma Naïve Bayes dan K-Nearest Neighbor. Berdasarkan uji beda menggunakan T-Test didapatkan algoritma K-Nearest Neighbor berbasis Particle Swarm Optimization (PSO) memiliki nilai akurasi tertinggi diantara algoritma yang lain, dengan nilai perolehan sebesar 0,974.

Downloads

Download data is not yet available.

Article Details

Section
Articles

References

] Kusrini dan Emha Taufiq Lutfi, 2009, Algorima Data Mining, Andi Offset, Yogyakarta.
[2] Tawang Wulandari, Marji & Lailil Muflikhah, 2018, Klasifikasi Jenis Kanker Berdasarkan Struktur Protein Menggunakan Algoritma Naive Bayes, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, e-ISSN: 2548-964X, Vol. 2, No. 10 Oktober 2018
[3] Elsa Nuramilus Shofia, Rekyan Regasari Mardi Putri, Achmad Arwan, 2017, Sistem Pakar Diagnosis Penyakit Demam: DBD, Malaria dan Tifoid Menggunakan Metode K-Nearest Neighbor – Certainty Factor, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, e-ISSN: 2548-964X, Vol. 1, No. 5, Mei 2017
[4] Muhdi, Abdullah, Usman, 2017, Sistem Klasifikasi Penyakit Asma Menggunakan Algoritma Naïve Bayes, Jurnal SISTEMASI, ISSN:2302-8149, Volume 6, Nomor 3, September 2017 : 33 – 39
[5] Abdul Rohman, Vincent Suhartono & Catur Supriyanto, 2017, Penerapan Algoritma C4.5 Berbasis Adaboost Untuk Prediksi Penyakit Jantung, Jurnal Teknologi Informasi, ISSN 1907-3380, Volume 13 Nomor 1, Januari 2017
[6] Deny Wiria Nugraha, A.Y. Erwin Dodu & Novilia Chandra, 2017, Klasifikasi Penyakit Stroke Menggunakan Metode Naive Bayes Classifier, SemanTIK, ISSN : 2502-8928, Vol.3, No.2, Jul-Des 2017, pp. 13-22
[7] Ari Muzakir, Rika Anisa Wulandari, 2016, Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree, Scientific Journal of Informatics, p-ISSN 2407-7658, Vol. 3, No. 1, Mei 2016
[8] Tejas Mehta, Dhaval Kathiriya, 2016, Performance Analysis of Data Mining Classification Techniques, International Journal of Innovative Research in Science, Engineering and Technology, ISSN : 2319-8753. Vol. 5, Issue 3
[9] Leni Marlina, Muslim, Andysah Putera Utama Siahaan, Data Mining Classification Comparison (Naïve Bayes and C4.5 Algorithms), International Journal of Engineering Trends and Technology (IJETT) – Volume 38 Number 7, ISSN: 2231-5381, 2016
[10] Andri Permana Wicaksono, Tessy Badriyah, Achmad Basuki, 2016, Comparison of The Data-Mining Methods in Predicting The Risk Level of Diabetes, International Journal of Engineering Technology (E MITTER), Vol. 4, No. 1, ISSN: 2443-1168
[11] Sadri Sa’di et al, 2015, Comparison Of Data Mining Algorithms In The Diagnosis Of Type II Diabetes, International Journal on Computational Science & Applications (IJCSA) Vol.5, No.5
[12] Durairaj, M., & Deepika, R, 2015, Comparative Analysis of Classification Algorithms for the Prediction of Leukemia Cancer. International Journal of Advanced Research in Computer Science and Software Engineering; Volume 5, No. 8, pp. 787-791
[13] Saprudin, 2017, Penerapan Particle Swarm Optimization (PSO) Untuk Klasifikasi dan Analisis Kredit Dengan Menggunakan Algoritma C4.5, Jurnal Informatika Universitas Pamulang, ISSN 2541-1004, Vol 2, No.4 Desember 2017.
[14] Husin Muhamad, Cahyo Adi Prasojo, Nur Afifah Sugianto, Listiya Surtiningsih, Imam Cholissodin, 2017, Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris, Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), p-ISSN: 2355-7699, Vol. 4, No. 3, September 2017, hlm. 180-184
[15] Mirza Yogy Kurniawan, Muhammad Edya Rosadi, 2017, Optimasi Decision Tree Menggunakan Particle Swarm Optimization Pada Data Siswa Putus Sekolah, JTIULM - Volume 2, Nomor 1, Juni 2017: 15 - 22
[16] Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques.
[17] Suyanto, 2017, Data Mining Untuk Klasifikasi Dan Klasterisasi Data, Informatika, Bandung
[18] Wu, X., Shi, Y., & Eberhart, R. (2004). Recent Advances in Particle Swarm. IEEE, 90-97
[19] Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques.
[20] Bramer, Max. (2007). Principles of Data Mining. London: Springer. ISBN-10: 1-84628-765-0, ISBN-13: 978-1-84628-765-7.
[21] Gorunescu, F. (2011). Data Mining Concepts, Models and Techniques, Springer, Verlag Berlin Heidelrbeg