Prediksi Gejala Autism Spectrum Disorders pada Remaja Menggunakan Optimasi Particle Swarm Optimization dan Algoritma Support Vector Machine

Abstract

Abstrak: Telah ada peningkatan prevalensi diagnosis Autism Spectrum Disorder (ASD) secara global selama dekade terakhir. Perkiraan prevalensi ASD yang diperbarui dan keseluruhan di Asia akan membantu para profesional kesehatan untuk mengembangkan strategi kesehatan masyarakat yang relevan. Dalam penelitian ini, mengusulkan metode untuk prediksi gejala ASD menggunakan teknik integrasi seleksi fitur PSO dan algoritma Support Vector Machine. Penelitian ini menggunakan dataset dari UCI repository. Model yang diusulkan meliputi penerapan seleksi fitur menggunakan particle swarm optimization (PSO), dengan algoritma pengklasifikasi. Hasil akhir akan dilakukan perbandingan pengujian dan analisa terhadap model prediksi yang memiliki tingkat akurasi tertinggi atau terbaik dalam prediksi gejala ASD. Dalam penelitian ini menggunakan dataset UCI repository yaitu data ASD pada remaja, data tersebut memiliki jumlah data sebanyak 104 instance dan 21 atribut, 41 orang tidak menderita ASD dan 63 orang menderita ASD, tools yang digunakan untuk menerapkan model usulan menggunakan aplikasi Weka versi 3.8.4. Untuk mengetahui model usulan yang diajukan pada penelitian ini, pertama menguji dengan klasifikasi tunggal SVM, dan kedua, menguji dengan seleksi fitur PSO dan algoritma klasifikasi SVM. Untuk mengetahui apakah seleksi fitur PSO berpengaruh terhadap performa algoritma klasifikasi SVM. Pengujian pertama, nilai akurasi yang dihasilkan oleh algoritma klasifikasi SVM adalah sebesar 89.42%, dan nilai AUC sebesar 0.891. Berdasarkan pengujian yang kedua yaitu menggunakan seleksi fitur PSO, seleksi fitur PSO dapat meningkatkan performa algoritma klasifikasi SVM sebesar 2,88% dan nilai AUC sebesar 0,024.
 
 Kata kunci: Autism Spectrum Disorder, Particle Swarm Optimizatio, Support Vector Machine
 
 Abstract: There has been an increase in the prevalence of diagnoses of Autism Spectrum Disorder (ASD) globally over the past decade. Updated and overall ASD prevalence estimates in Asia will help health professionals to develop relevant public health strategies. In this study, proposing a method for ASD symptom prediction using PSO feature selection integration techniques and the Support Vector Machine algorithm. This study uses a dataset from the UCI repository. The proposed model includes the application of feature selection using particle swarm optimization (PSO), with the classification algorithm. The final result will be a comparison test and analysis of prediction models that have the highest or best accuracy in predicting ASD symptoms. In this study using the UCI repository dataset, ASD data on adolescents, the data has 104 data and 21 attributes, 41 people do not suffer from ASD and 63 people suffer from ASD, tools used to implement the proposed model using the Weka application version 3.8.4 . To find out the proposed model proposed in this study, firstly testing with SVM single classification, and secondly, testing with PSO feature selection and SVM classification algorithm. To find out whether the PSO feature selection affects the performance of the SVM classification algorithm. The first test, the accuracy value generated by the SVM classification algorithm is 89.42%, and the AUC value is 0.891. Based on the second test using PSO feature selection, PSO feature selection can improve the performance of the SVM classification algorithm by 2.88% and the AUC value of 0.024.
 
 Keywords: Autism Spectrum Disorder, Particle Swarm Optimizatio, Support Vector Machine.

Implementasi Algoritma Random Forest Untuk Menentukan Penerima Bantuan Raskin

“…Model yang kami gunakan adalah algoritma klasifikasi yaitu, Random Forest (RF), Support Vector Machine (SVM) dan Naive Bayes (NB). Peneliti memutuskan untuk menggunakan algoritma berbasis pohon dalam memecahkan masalah prediksi dalam penentuan penerima bantuan raskin karena terbukti bekerja dengan baik pada penelitian sebelumnya (Mujumdar dan Vaidehi, 2019) (Kurniawan, 2020). SVM bekerja dengan menginterpolasi hyperplane antar kelas dan membimbingnya dengan cara yang menjaga jarak maksimal dari titik data.…”