OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN GRID SEARCH UNTUK PREDIKSI JENIS PENYAKIT STROKE

Brahmantya, I Gusti Agung Harkit (2026) OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN GRID SEARCH UNTUK PREDIKSI JENIS PENYAKIT STROKE. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2213101020-COVER.pdf
Download (11MB)
[img] Text (ABSTRAK)
2213101020-ABSTRAK.pdf
Download (226kB)
[img] Text (PENDAHULUAN)
2213101020-BAB 1 PENDAHULUAN.pdf
Download (275kB)
[img] Text (KAJIAN TEORI)
2213101020-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (509kB) | Request a copy
[img] Text (METODELOGI PENELITIAN)
2213101020-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (432kB) | Request a copy
[img] Text (HASIL DAN PEMBAHASAN)
2213101020-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (757kB) | Request a copy
[img] Text (PENUTUP)
2213101020-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (219kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2213101020-DAFTAR PUSTAKA.pdf
Download (210kB)
[img] Text (LAMPIRAN)
2213101020-LAMPIRAN.pdf
Download (2MB)

Abstract

Stroke merupakan salah satu penyakit dengan tingkat kematian yang tinggi di dunia dan menjadi masalah kesehatan serius di Indonesia. Identifikasi risiko stroke secara konvensional masih memiliki keterbatasan, sehingga pemanfaatan machine learning mulai banyak digunakan untuk membantu proses prediksi secara lebih sistematis dan akurat. Salah satu algoritma klasifikasi yang memiliki performa baik adalah Support Vector Machine (SVM), namun performanya sangat dipengaruhi oleh pemilihan parameter dan fungsi kernel yang digunakan. Oleh karena itu, penelitian ini bertujuan untuk meningkatkan performa algoritma SVM dalam memprediksi jenis penyakit stroke Iskemik dan Hemoragik menggunakan metode optimasi Grid Search. Data yang digunakan merupakan data rekam medis pasien stroke RSUD Buleleng tahun 2024 dengan atribut berupa usia, jenis kelamin, riwayat penyakit, tingkat gula darah, BMI, kebiasaan merokok dan konsumsi alkohol, denyut jantung, Glasgow Coma Scale (GCS), serta tekanan darah sistolik dan diastolik. Penelitian diawali dengan pengumpulan data, kemudian dilakukan tahap preprocessing berupa data cleaning dan label encoding. Dataset selanjutnya dibagi menjadi data latih dan data uji dengan rasio 80:20, kemudian dilakukan pemodelan menggunakan SVM tanpa optimasi dan SVM dengan optimasi Grid Search. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa optimasi menggunakan Grid Search menghasilkan parameter terbaik yaitu nilai C = 10, kernel polynomial dengan degree = 3, gamma = 0,01, dan coef0 = 1. Parameter tersebut mampu meningkatkan performa model SVM pada seluruh metrik evaluasi. Nilai akurasi meningkat sebesar 2,46% menjadi 95,08%, precision meningkat sebesar 2,45% menjadi 94,55%, recall meningkat sebesar 2,39% menjadi 95,89%, dan F1-score meningkat sebesar 2,49% menjadi 94,97%. Hasil tersebut menunjukkan bahwa Grid Search mampu membantu SVM menemukan kombinasi parameter optimal sehingga menghasilkan model dengan kemampuan klasifikasi yang lebih baik dalam memprediksi jenis penyakit stroke.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Stroke, Klasifikasi, Support Vector Machine, Grid Search
Subjects: Q Science > QA Mathematics
Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Jurusan Matematika > Program Studi Matematika (S1)
Depositing User: I GUSTI AGUNG HARKIT BRAHMANTYA
Date Deposited: 29 Jun 2026 01:24
Last Modified: 29 Jun 2026 01:24
URI: http://repo.undiksha.ac.id/id/eprint/30280

Actions (login required)

View Item View Item