LITERATURE REVIEW: Penggunaan Support Vector Machine (SVM) untuk Klasifikasi Penyakit Lambung
Keywords:
Support Vector Machine, SVM, Klasifikasi Penyakit Lambung, Machine Learning, Diagnosis Medis, Decision Tree, Random ForestAbstract
Penelitian ini mengkaji penggunaan metode Support Vector Machine (SVM) untuk klasifikasi penyakit lambung melalui studi literature review dari lima jurnal terkait. Penyakit lambung merupakan masalah kesehatan yang serius dan membutuhkan metode klasifikasi yang akurat untuk diagnosis dan perawatan yang efektif. Metode SVM dipilih karena keandalannya dalam menangani dataset dengan dimensi tinggi dan kemampuannya menghasilkan klasifikasi yang akurat. Penelitian ini bertujuan untuk membandingkan efektivitas SVM dengan metode klasifikasi lainnya yang biasa digunakan dalam diagnosa penyakit lambung. Hasil dari studi literature review menunjukkan bahwa SVM memiliki tingkat akurasi yang tinggi dan dapat memberikan hasil yang lebih baik dibandingkan metode lain seperti Decision Tree dan Random Forest. Dengan demikian, penelitian ini memberikan panduan bagi praktisi medis dalam memilih metode yang tepat untuk diagnosis penyakit lambung serta berkontribusi pada pengembangan metode diagnosis yang lebih baik dan efisien.
References
Ardiansyah, M. F., & Rosyani, P. (2023). Perancangan UI/UX aplikasi pengolahan limbah anorganik menggunakan metode design thinking. LOGIC: Jurnal Ilmu Komputer dan Pendidikan, 1(4), 839-853. https://www.journal.mediapublikasi.id/index.php/logic/article/
download/2193/1520
Fahrudin, G. F., Suroso, & Soim, S. (2024). Pengembangan model support vector machine untuk meningkatkan akurasi klasifikasi diagnosis penyakit jantung. Jurnal Teknologi Sistem Informasi dan Aplikasi, 7(3), 1418-1428. https://doi.org/10.32493/jtsi.v7i3.42254
Handayani, P. K. (2021). Penerapan algoritma support vector machine (SVM) untuk analisis pola klasifikasi pada Parkinson’s dataset. Indonesia Journal of Technology, Informatics and Science (IJTIS), 3(1), 31-35. https://doi.org/10.24176/ijtis.v3i1.7530
Jovović, I., Grebović, M., Pokvić, L. G., Popović, T., & Čakić, S. (2021). A Comparative Study of SVM, Random Forest, and XGBoost for Gastric Disease Classification. Computational Medicine and Biomedicine Engineering, 24(4), 345-358.
Prayitno, G. (2019). Teknik Analisis Big Data: Konsep dan Aplikasi dalam Bisnis dan Kesehatan.
Rosyani, P., Rachmatika, R., Harefa, K., Herry, N. A. S., & Priambodo, J. (2021). Sosialisasi pemanfaatan teknologi yang dapat digunakan selama masa pandemi Covid-19. Community Empowerment, 6(3), 476-479. https://journal.unimma.ac.id/index.php/ce/article/download/4525/2195/
Theerthagiri, P., & Siddalingaiah, S. D. (2023). RG-SVM Approach for Accurate Gastric Disease Diagnosis. Journal of Bioinformatics and Health Sciences, 18(7), 220-233.
Wahyudi, S. T., & Budiarto, R. (2018). Pembelajaran Mesin: Konsep dan Aplikasi dengan Python dan R. Yogyakarta: Penerbit Andi
Yunial, A. H. (2020). Analisis optimasi algoritma klasifikasi support vector machine, decision trees, dan neural network menggunakan Adaboost dan bagging. Jurnal Informatika Universitas Pamulang, 5(3), 247-260. https://doi.org/10.32493/informatika.v5i3.6609
Gantar Fitra Fahrudin, Suroso, Sopian Soim http://openjurnal.unpam.ac.id/index.php/JTSI
