SELEKSI FITUR KLASIFIKASI PENYAKIT INFARK MIOKARD MENGGUNAKAN GENETIC ALGORITHM DAN SUPPORT VECTOR MACHINE
Abstract
Infark miokard adalah salah satu penyebab kematian paling umum di dunia, deteksi dini sangat penting untuk meningkatkan peluang kesembuhan pasien. Studi ini menggunakan kombinasi metode Genetic Algorithm (GA) dan Support Vector Machine (SVM) untuk membuat model klasifikasi penyakit infark miokard. GA digunakan untuk melakukan seleksi fitur dengan mengurangi dimensi data dan memilih fitur yang paling penting. Sedangkan SVM digunakan sebagai algoritma klasifikasi untuk membedakan antara pasien yang menderita infark miokard dan yang tidak. Dataset yang digunakan berasal dari Perpustakaan Pembelajaran Mesin UCI, yang memiliki 123 fitur dan delapan kelas target. Untuk mengatasi ketidakseimbangan data, metode SMOTE dan Tomek Links digunakan. Hasil pengujian menunjukkan bahwa model klasifikasi yang menggunakan fitur hasil seleksi GA dan algoritma SVM memiliki akurasi sebesar 97%. Hasil ini menunjukkan bahwa metode ini memiliki kemampuan untuk meningkatkan akurasi
References
[1] G. R. Muhammad and p. Ardhianto, “Media medika muda profil faktor
risiko atherosklerosis pada kejadian infark miokard akut dengan st
segment elevasi di rsup dr kariadi semarang.”
[2] S. Narulita and N. Adi, “feature selection information gain pada
klasifikasi pasien penyakit jantung (heart disease),” vol. 4, no. 1, 2024.
[3] S. Silva and I. Gonçalves, Experiments on controlling overfitting in
genetic programming. 2011. https://www.researchgate.net/publication/338170296
[4] M. Chiesa, G. Maioli, G. I. Colombo, and l. Piacentini, “Gars: Genetic
algorithm for the identification of a robust subset of features in high
dimensional datasets,” bmc bioinformatics, vol. 21, no. 1, feb. 2020, doi:
10.1186/s12859-020-3400-6.
[5] World congress on engineering and computer science : wcecs 2008 : 22
24 october, 2008, San Francisco, USA. Newswood limited :
international association of engineers, 2008.
[6] J. J. Pangaribuan, A. Maulana, and R. Romindo, “Unleashing the power
of svm and knn: enhanced early detection of heart disease,” jitk (jurnal
ilmu pengetahuan dan teknologi komputer), vol. 10, no. 2, pp. 342–351,
nov. 2024, doi: 10.33480/jitk.v10i2.5719.
[7] J. Hassannataj joloudari et al., “gsvma: a genetic support vector machine
anova method for cad diagnosis,” front cardiovasc med, vol. 8, 2021,
doi: 10.3389/fcvm.2021.760178.
[8] J. Hassannataj Joloudari et al., “gsvma: a genetic support vector machine
anova method for cad diagnosis,” front cardiovasc med, vol. 8, 2021,
doi: 10.3389/fcvm.2021.760178.
[9] S. B. Mckearnan, D. M. Vock, g. E. Marai, G. Canahuate, C. D. Fuller,
and J. Wolfson, “feature selection for support vector regression using a
genetic algorithm,” biostatistics, vol. 24, no. 2, pp. 295–308, apr. 2023,
doi: 10.1093/biostatistics/kxab022.
[10] F. O. Awalullaili, D. Ispriyanti, and T. Widiharih, “Klasifikasi penyakit
hipertensi menggunakan metode svm grid search dan svm genetic
algorithm (ga),” jurnal gaussian, vol. 11, no. 4, pp. 488–498, feb. 2023,
doi: 10.14710/j.gauss.11.4.488-498.
[16] R. Firdaus et al., “Implementasi algoritma random forest untuk
klasifikasi pencemaran udara di wilayah jakarta berdasarkan jakarta
open data”.
[17] B. Abd-elmassieh aiad, K. Basem Zarif, and Z. Mahmoud Gadallah,
“Support vector machine kernel functions comparison.”
[18] [A. Diker, Z. Comert, E. Avci, and S. Velappan, “Intelligent system
based on genetic algorithm and support vector machine for detection of
myocardial infarction from ecg signals,” in 26th ieee signal processing
and communications applications conference, siu 2018, institute of
electrical and electronics engineers inc., jul. 2018, pp. 1–4. Doi:
10.1109/siu.2018.8404299.
[19] [B. N. Satrijo, H. Armanto, l. Zaman Pcsw, and P. Pickerling, “Library
algoritma genetik dan whale optimization berbasis gpu programming,”
journal of intelligent system and computation, vol. 4, no. 1, pp. 32–44,
apr. 2022, doi: 10.52985/insyst.v4i1.208.
[20] S. B. Mckearnan, D. M. Vock, G. E. Marai, G. Canahuate, C. D. Fuller,
and J. Wolfson, “Feature selection for support vector regression using a
genetic algorithm,” Biostatistics, vol. 24, no. 2, pp. 295–308, Apr. 2023,
doi: 10.1093/biostatistics/kxab022.
