ANALISIS SUPPORT VECTOR MACHINE (SVM) DAN PRINCIPAL COMPONENT ANALYSIS (PCA) ALTERNATIF UNTUK DETEKSI KANKER SERVIKS

Abstract

Abstrak
Penyakit kanker adalah salah satu penyakit yang banyak
memakan korban jiwa. Pada kaum wanita, kanker payudara dan
kanker serviks adalah salah satu jenis kanker yang paling banyak
dijumpai. Tingginya angka korban jiwa pada kanker payudara
dan kanker serviks salah satunya disebabkan oleh
keterlambatannya penanganan kanker. Banyak penderita kanker
yang tidak menganggap serius terhadap gejala yang ditemui dan
akhirnya penanganan yang diberikan menjadi terlambat. Oleh
sebab itu penelitian ini bertujuan untuk menganalisa metode
pendeteksian kanker dengan cara mereduksi jumlah atribut
menggunakan PCA dan SVM yang paling optimal. Penelitian ini
menggunakan library python untuk membantu proses analisis
menggunakan PCA dan SVM. Dataset akan diolah dengan
menggunakan metode normalisasi MinMaxScaling dan
standarisasi. Yang selanjutnya akan digunakan perhitungan
sensitivitas dan spesifisitas untuk mencari seberapa akurat model
yang dihasilkan SVM. Dengan menggunakan 3 kernel yaitu
radial basis function (RBF), sigmoid dan polynomial didapatkan
bahwa menggunakan PCA dapat mereduksi dengan baik
variabelvariabel yang sudah ada. Hasil pada kernel RBF
didapatkan akurasi tertinggi 97.76% di model jumlah PC 30
hingga 31, pada kernel polynomial didapatkan 99.25% di model
jumlah PC 21 dan pada kernel sigmoid didapatkan 99,25% di
model jumlah PC 13 hingga 14 dan beberapa model PC lainnya.
Dari hasil yang didapatkan penggunaan PCA dapat membantu
meningkatkan akurasi pada beberapa kernel dalam studi kasus
kanker serviks.
Kata kunci: MinMaxScaling, Principal Component Analysis,
Standarisasi, Support Vector Machine.
Abstract
Cancer is a disease that takes many lives. In women, breast cancer
and cervical cancer are one of the most common types of cancer.
The high number of fatalities in breast cancer and cervical cancer
is one of them caused by the delay in handling cancer. Many
cancer sufferers do not take seriously the symptoms that are found
and finally the treatment given is too late. Therefore this study
aims to analyze cancer detection methods by reducing the number
of attributes using the most optimal PCA and SVM. This research
uses the python library to help the analysis process using PCA
and SVM. The dataset will be processed using the MinMaxScaling
normalization method and standardization. The next calculation
will be used sensitivity and specificity to find how accurate the
model produced by SVM. By using 3 kernels, namely radial basis
function (RBF), sigmoid and polynomial, it is found that using
PCA can reduce well existing variables. The results in the RBF
kernel obtained the highest accuracy of 97.76% in the PC number
model 30 to 31, the polynomial kernel obtained 99.25% in the PC
number 21 model and the sigmoid kernel obtained 99.25% in the
PC number 13 to 14 model and several other PC models. From
the results obtained using PCA can help improve accuracy in
some kernels in cervical cancer case studies.
Keywords: MinMaxScaling, Principal Component Analysis,
Standardization, Support Vector Machine