IMPLEMENTASI SUPPORT VECTOR MACHINE DENGAN RANDOM OVERSAMPLING UNTUK MENGATASI DATA TAK SEIMBANG PADA KLASIFIKASI PENDERITA PENYAKIT CARDIOVASCULAR

CANTIKA , MERITA (2025) IMPLEMENTASI SUPPORT VECTOR MACHINE DENGAN RANDOM OVERSAMPLING UNTUK MENGATASI DATA TAK SEIMBANG PADA KLASIFIKASI PENDERITA PENYAKIT CARDIOVASCULAR. Universitas Lampung, Fakultas Matematika Dan Ilmu Pengetahuan Alam .

Preview	File PDF ABSTRAK.pdf Download (48Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (3259Kb)
Preview	File PDF SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (3067Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Support Vector Machine (SVM) adalah salah satu metode machine learning yang digunakan untuk pengklasifikasikan dengan membagi data menjadi dua kelas yang berbeda. Prinsip kerja SVM adalah mencari fungsi pemisah (hyperplane) yang terbaik. Apabila data tidak dapat dipisahkan secara linear maka data tersebut merupakan data nonlinear. Salah satu metode untuk mengatasi hal tersebut adalah dengan menggunakan fungsi kernel. Tujuan penelitian ini adalah menerapkan metode SVM untuk mengetahui kinerja fungsi kernel terbaik berdasarkan nilai akurasi tertinggi terhadap klasifikasi penderita penyakit cardiovascular. Namun, pada dataset yang digunakan dalam penelitian memiliki masalah ketidakseimba-ngan data (imbalance data). Oleh karena itu, digunakan Random Oversampling (ROS) untuk mengatasi masalah tersebut. Hasil penelitian menunjukkan bahwa fungsi kernel terbaik pada data yang seimbang adalah fungsi Radial Basis Function (RBF), dengan parameter gamma 0,1 dan cost 1 pada skema data training 90% dan testing 10% didapat nilai akurasi sebesar 73,86%. Kata Kunci : Cardiovascular; Kernel Radial Basis Function; Ketidakseimbangan Data; Random Oversampling; Support Vector Machine.

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika 500 ilmu pengetahuan alam dan matematika > 510 Matematika
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Matematika
Pengguna Deposit:	2301049024 . Digilib
Date Deposited:	12 Jun 2025 12:21
Terakhir diubah:	12 Jun 2025 12:21
URI:	http://digilib.unila.ac.id/id/eprint/88446

Actions (login required)

Lihat Karya Akhir