IMPLEMENTASI SUPPORT VECTOR MACHINE TERHADAP KLASIFIKASI DIAGNOSIS PENDERITAKANKER PAYUDARA

ELIZABETH CEASARINA , SITOMPUL (2026) IMPLEMENTASI SUPPORT VECTOR MACHINE TERHADAP KLASIFIKASI DIAGNOSIS PENDERITAKANKER PAYUDARA. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (119Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (4036Kb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (4042Kb) | Preview

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

Support Vector Machine (SVM) is one of the machine learning methods used for classification problems by dividing data into two different classes through the formation of an optimal separating function called a hyperplane. The purpose of this study is to apply the SVM method and determine the best kernel function based on the highest accuracy value in the classification process. However, the dataset used in this study has a problem of data imbalance, so a special handling method is required. Therefore, the Random Oversampling (ROS) method is used to balance the data distribution before the classification process is carried out. In the classification process, several kernel functions were applied, namely linear, polynomial, sigmoid, and Radial Basis Function (RBF) kernels. The results of the study showed that the RBF kernel function provided the best performance compared to other kernels. In the data division scheme of 90% as training data and 10% as test data, with parameters C =10, 50, and 100 and γ = 0.001, the SVM model produced the highest accuracy value of 97.22%. These results indicate that the use of the RBF kernel is able to handle nonlinear data patterns more optimally. Using this kernel configuration, the SVM model parameters obtained, namely the w and b, are as follows:wradius mean = 377.7713,wtexture mean = 340.6203,wperimeter mean = 2851.3717, warea mean = 37057.1680, . . . ,wfractal dimension worst = 2.8828, b= 0.5153. Keywords:Support Vector Machine, Radial Basis Function Kernel, Data Imbalance, Random Oversampling, Breast Cancer. Support Vector Machine (SVM) merupakan salah satu metode machine learning yang digunakan untuk permasalahan klasifikasi dengan membagi data ke dalam dua kelas yang berbeda melalui pembentukan fungsi pemisah optimal yang disebut hyperplane. Tujuan penelitian ini adalah menerapkan metode SVM serta menentukan fungsi kernel terbaik berdasarkan nilai akurasi tertinggi pada proses klasifikasi. Namun, dataset yang digunakan dalam penelitian kali ini memiliki permasalahan ketidakseimbangan data (imbalance data), sehingga diperlukan metode penanganan khusus. Dengan demikian, digunakan metode Random Oversampling (ROS) untuk menyeimbangkan distribusi data sebelum proses klasifikasi dilakukan. Dalam Proses klasifikasi selanjutnya diterapkan menggunakan beberapa fungsi kernel, yaitu kernel linear, polinomial, sigmoid, dan Radial Basis Function (RBF). Hasil penelitian menunjukkan bahwa fungsi kernel RBF memberikan kinerja terbaik dibandingkan kernel lainnya. Pada skema pembagian data 90% sebagai data latih dan 10% sebagai data uji, dengan parameter C = 10, 50, dan 100 serta γ = 0.001, model SVM menghasilkan nilai akurasi tertinggi sebesar 97,22%. Hasil ini menunjukkan bahwa penggunaan kernel RBF mampu menangani pola data nonlinear secara lebih optimal. Dengan menggunakan konfigurasi kernel tersebut, diperoleh parameter w dan b, yakni sebagai berikut:wradius mean = 377,7713,wtexture mean = 340,6203,wperimeter mean = 2851,3717, warea mean = 37057,168, . . . ,wfractal dimension worst = 2,8828, b= 0,5153. Kata Kunci:Support Vector Machine,Kernel Radial Basis Function, Ketidakseimbangan Data, Random Oversampling, Kanker Payudara.

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika > 510 Matematika
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Matematika
Pengguna Deposit:	2602758984 Digilib
Date Deposited:	27 Apr 2026 04:07
Terakhir diubah:	27 Apr 2026 04:07
URI:	http://digilib.unila.ac.id/id/eprint/98655

Actions (login required)

Lihat Karya Akhir