Implementasi Metode Binary Decision Tree Support Vector Machine (BDTSVM) untuk Klasifikasi Penyakit Gigi dan Mulut (Studi Kasus: Puskesmas Dinoyo Malang)
Vol. 2, No. 8, Agustus 2018, hlm. 2919-2925 http://j-ptiik.ub.ac.id
Implementasi Metode Binary Decision Tree Support Vector Machine
(BDTSVM) untuk Klasifikasi Penyakit Gigi dan Mulut
(Studi Kasus: Puskesmas Dinoyo Malang)
1 2 3 Nindy Deka Nivani , Muhammad Tanzil Furqon , Randy Cahya WihandikaProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: nindydeka@gmail.com, m.tanzil.furqon@ub.ac.id, rendicahya@ub.ac.id
Abstrak
Gigi dan mulut merupakan gerbang masuknya kuman dan bakteri yang dapat mengganggu kesehatan.Keluhan terhadap penyakit gigi dan mulut banyak sekali dikeluhkan oleh sebagian besar masyarakat di Indonesia, hal ini dikuatkan dengan fakta yang didapat dari data PDGI (Persatuan Dokter Gigi Indonesia) yang menyebutkan bahwa 87% dari masyarakat Indonesia menderita sakit gigi dan diantaranya tidak memeriksakan giginya ke dokter. Melihat hal tersebut dokter gigi mempunyai peran penting dalam menentukan klasifikasi penyakit gigi dan mulut yang tepat agar pasien dapat segera terobati penyakit yang sedang dideritanya. Penelitian ini mengimplementasikan metode Binary Decision
Tree Support Vector Machine (BDTSVM) untuk membantu mengklasifikasikan penyakit gigi dan
mulut. Metode Binary Decision Tree digunakan untuk pembuatan pohon biner dengan tujuan memisahkan kelas ke dalam 2 kelompok yaitu positif dan negatif. Sedangkan metode Support Vector
Machine digunakan untuk proses klasifikasi. Pada penelitian ini digunakan 4 macam pengujian yaitu
pengujian terhadap iterasi maksimal, parameter lambda, parameter gamma, dan parameter complexity.Hasil yang didapat dari penelitian ini adalah hasil klasifikasi penyakit gigi dan mulut dengan 6 kelas penyakit. Berdasarkan hasil pengujian yang telah dilakukan diperoleh akurasi rata-rata sebesar 94,28% dengan menggunakan nilai parameter lambda = 0,5, parameter complexity = 0,1, parameter gamma = 0,01 dan iterasi maksimal = 5
Kata kunci: penyakit gigi dan mulut, klasifikasi, Binary Decision Tree, Support Vector Machine
Abstract
Teeth and mouth are gates for entry of germs and bacteria that can interfere with health. Complaints
against dental and mouth disease are mostly complained by most people in Indonesia, this is
corroborated by the fact obtained data from PDGI (Persatuan Dokter Gigi Indonesia) which states that
87% of the people of Indonesia suffer from toothache and among them do not check his teeth to the
doctor . Seeing this dentist has an important role in determining the right classification of dental and
oral diseases so that patients can immediately treat the disease that is suffering. This research
implements the method of Binary Decision Tree Support Vector Machine (BDTSVM) to help classify
dental and oral diseases. The Binary Decision Tree method is used to construct binary trees in order to
separate classes into two groups, positive and negative. While the Support Vector Machine method is
used for the classification process. In this study used 4 kinds of testing that is the test of maximum
iteration, lambda parameters, gamma parameters, and complexity parameters. The results obtained
from this research is the classification of dental and mouth disease with 6 classes of diseases. Based on
the results of the tests that have been done, the average accuracy of 94.28% using the parameter values
lambda = 0.5, parameter complexity = 0.1, parameter gamma = 0.01 and maximum iteration = 5 Keywords: Dental and mouth disease, classification, Binary Decision Tree, Support Vector Machineorang. Hal ini dikarenakan gigi dan mulut 1. merupakan gerbang masuknya kuman dan
PENDAHULUAN bakteri yang dapat mengganggu kesehatan.
Gigi dan mulut merupakan aspek penting Apabila kesehatan terganggu maka dapat yang sering diperhatikan oleh kebanyakan
Fakultas Ilmu Komputer Universitas Brawijaya
2919 menimbulkan masalah bahkan dapat memicu timbulnya penyakit lain yang membahayakan organ-organ selain gigi dan mulut seperti sakit kepala, jantung, stroke, diabetes, bahkan kelahiran premature.
Keluhan terhadap penyakit gigi dan mulut banyak sekali dialami dan dikeluhkan oleh sebagian besar masyarakat di Indonesia. Hal ini didasari dari hasil penelitian yang dilakukan oleh Fakultas Kedokteran Gigi Universitas Indonesia yang menyebutkan terdapat 80% orang di Indonesia mempunyai gigi berlubang (Dechacare, 2008). Penyataan tersebut juga dikuatkan oleh fakta yang didapat dari data PDGI (Persatuan Dokter Gigi Indonesia) yang menyebukan bahwa 87% dari masyarakat Indonesia menderita sakit gigi dan diantaranya tidak memeriksakan giginya ke dokter.
Macam-macam penyakit gigi dan mulut yang sering dijumpai dan dikeluhkan oleh pasien berdasarkan data pada Puskesmas Dinoyo Malang meliputi: a.
Gingivitis Gingivitis merupakan peradangan pada gusi
c.
serius dan dapat merusak jaringan lunak dan tulang penyangga gigi. Jaringan di sekitar gigi dan mulut atau periodonsium dapat berpengaruh apabila terkena penyakit periodontitis . Kurangnya kebersihan mulut dan adanya plak pada gigi dapat mengakibatkan terjadinya penyakit ini. Gejala periodontitis berupa gusi bengkak, bau mulut, gusi merah terang atau keunguan, gusi yang terdorong maju, jarak yang timbul di antara gigi, gigi tanggal, dan perubahan pada bentuk gigi.
Periodontitis Periodontitis merupakan infeksi gusi yang
b.
darah) yang dapat menimbulkan rasa nyeri pada gigi. Pulpitis disebabkan oleh pembusukan pada gigi dan cedera pada gigi. Pulpitis terjadi dikarenakan terbungkusnya pulpa dalam dinding yang keras sehingga tidak mempunyai ruang untuk menampung bengkak pada gigi sehingga mengakibatkan peradangan.
dentin yang mengandung syaraf dan pembuluh
gigi (struktur gigi terdalam dibawah lapisan
Pulpitis Pulpitis merupakan peradangan pada pulpa
2. PENYAKIT GIGI DAN MULUT
Melihat persentase dari data yang cukup besar tentang masalah gigi dan mulut menjadikan spekulasi bahwa pengetahuan masyarakat terhadap kesehatan gigi dan mulut masih kurang. Serta sumber informasi yang membahas langsung tentang pencegahan penyakit gigi dan mulut juga sangat sedikit ditemukan, hal ini membuat masyarakat sangat rentan untuk mengetahui penyakit gigi dan mulut secara dini sehingga memperlambat penyembuhan dan pengobatan pada penyakitnya (Health, 2015). Melihat hal tersebut dokter gigi mempunyai peran penting dalam menentukan klasifikasi penyakit gigi dan mulut yang tepat agar pasien dapat segera terobati penyakit yang sedang dideritanya.
Data yang digunakan yaitu data gejala penyakit gigi dan mulut yang diperoleh dari Puskesmas Dinoyo Malang. Dengan penerapan metode BDTSVM diharapkan dapat menghasilkan akurasi yang baik untuk klasifikasi penyakit gigi dan mulut.
Support Vector Machine sebagai metode untuk mengklasifikasikan penyakit gigi dan mulut.
Berdasarkan hasil analisis dari penelitian sebelumnya, maka solusi yang dipilih adalah merupakan metode Binary Decision Tree
(BDTSVM). Hasil pengujian menunjukkan mendapatkan hasil klasifikasi dengan rata-rata akurasi tertinggi sebesar 75%.
Support Vector Machine
penelitian sebelumnya untuk mengklasifikasikan kondisi detak jantung. Pada penelitian tersebut menggunakan data hasil EKG (Elektrokardiografi), pada data tersebut terdiri dari 4 kelas penyakit jantung. Dari data dan kelas tersebut kemudian diklasifikasikan menggunakan metode Binary Decision Tree
Binary Decision Tree Support Vector Machine (BDTSVM) telah digunakan dalam
mempunyai keunggulan yaitu mempunyai tingkat error rate dan training time (waktu komputasi) yang lebih baik jika dibandingkan dengan metode klasifikasi multi-class yang lain. Sehingga metode ini dapat menghasilkan akurasi dan tingkat efektifitas waktu yang lebih baik (Chorbev,2008).
Binary Decision Tree Support Vector Machine (BDTSVM) . Metode ini dipilih karena
Untuk membantu klasifikasi penyakit gigi dan mulut dapat menggunakan beberapa metode, salah satunya adalah menggunakan metode
atau gingiva. Gingivitis dapat timbul kapan saja setelah gigi tumbuh, penyakit ini dapat terjadi akibat penggosokan gigi dengan cara yang tidak benar sehingga plak tidak hilang dan tetap ada di sepanjang garis gusi (Pratiwi,Y.M.E, 2016).
Gingivitis
Gambar 1. Pohon Klasifikasi BDTSVM Sumber: (Chorbev, I., et all)
= Gravity center kelas fitur ke-i fitur ke-j, dimana i = 1,..,4 dan j = 1,..,4. = Nilai normalisasi data ke-m pada kelas fitur ke-i fitur ke-j. n = jumlah kelas.
(1) Keterangan:
1
= ∑ =
merupakan titik pusat dari setiap kelas. Untuk memperoleh titik pusat dilakukan perhitungan dengan mencari rata-rata dari setiap fitur. Persamaan untuk menghitung rata-rata setiap kelas ditunjukkan oleh Persamaan 1.
Gravity Center Gravity center atau pusat gravitasi
meliputi: a.
Tree
Binary Decision Tree merupakan proses yang dilakukan untuk pembentukam pohon biner yang bertujuan untuk membagi kelas ke dalam level positif dan negatif. Proses Binary Decision
3.1. Binary Decision Tree
Untuk pembentukan pohon biner dilakukan beberapa proses perhitungan meliputi perhitungan gravity center, Euclidean distance, dan binary decision tree.
Prinsip metode BDTSVM adalah membagi kelas ke dalam dua kelompok (positif dan negatif) kemudian setiap simpul pohon diuraikan dan ditentukan kelompok mana yang belum diketahui kelasnya, kemudian kelompok tersebut diproses dan ditempatkan sesuai dengan kelompokknya (Chorbev, E., et all). Contoh pembentukan pohon biner pada metode BDTSVM ditunjukkan pada Gambar 1.
terdiri dari beberapa macam yaitu
BDTSVM merupakan metode klasifikasi yang mempunyai banyak kelas menggunakan pohon biner. Konsep dari metode ini adalah membagi N kelas yang ada menjadi 2 kelompok besar kemudian membagi dan mengelompokkannya apakah masuk pada anak kanan pohon atau anak kiri pohon biner. Pembagian kelas dilakukan secara rekursif, hal ini bertujuan agar satu node hanya mempunyai satu kelas yang merepresentasikan kategori kelas tersebut. Kemudian kelas yang sudah dibagi menjadi anak pohon kanan dan kiri di proses menggunakan SVM untuk menentukan data sesuai kelompok pada kelasnya. Kelebihan metode ini adalah tingginya efektifitas komputasi dan tingkat akurasi.
gigi dan jaringan pulpa yang tertutup oleh email dan dentin yang kaku sehingga tidak mempunyai sirkulasi darah kolateral. Apabila jaringan pada ruang pulpa meningkat maka mengakibatkan pembuluh darah kolaps sehingga dapat terjadi nekrosis likuifaksi.
Nekrosis Pulpa Nekrosis pulpa adalah kematian pada pulpa
f.
dan lengket yang menempel pada permukaan gigi. Plak dapat berasal setelah menyikat gigi, di dalam plak terkandung protein dan bakteri (Pratiwi, 2013). Plak terdiri dari sisa makanan yang halus, zat perekat dan kuman yang tersisa dari menyikat gigi yang tidak benar. Plak dapat mengeras apabila terkena kalsium fosfor, dan mineral lainnya dan kemudian menjadi karang gigi.
Deposits Deposits atau plak gigi adalah lapisan lunak
e.
pada gigi. Penyakit ini lebih sering dikenal oleh masyarakat sebagai gigi berlubang, umumnya penderita gigi berlubang sering mengabaikannya dan baru memeriksakan penyakitnya dalam keadaan yang sudah parah. Karies berawal dengan timbulnya bercak cokelat atau putih yang kemudian berkembang menjadi lubang cokelat (Pratiwi, 2015).
Karies Gigi Karies gigi merupakan penyakit infeksi
d.
pada leukimia. Gejala gingivitis berupa radang pada gusi, gusi berwarna kemerahan, gusi membengkak, dan mudah keluar darah.
gingivitis deskuamativa , gingivitis simpleks, gingivostomatitis herpetic akut, dan gingivitis
3. BINARY DECISION TREE SUPPORT
VECTOR MACHINE (BDTSVM)
b.
memetakan fungsi kernel tanpa harus mengetahui wujud dari fungsi non-linear (Agustiani, 2016). Perhitungan kernel trick ditunjukkan dalam Persamaan 6
(5) Keterangan: N = jumlah data.
b.
SVM Non-Linear
Konsep dari SVM nonlinear adalah memetakan data (transformasi)
→ ɸ( )
ke dalam feature space sehingga terdapat bidang pemisah yang dapat memisahkan data dengan kelasnya.
Untuk memecahkan permasalahan non- linear dapat diselesaikan dengan mentransfromasikan dimensi yang tinggi ke dalam permasalahan linear. Fungsi kernel dapat digunakan dengan didefinisikan menjadi kernel
trick . Pengertian kernel trick adalah untuk
( ,
W = bobot support vector atau vector yang tegak lurus terhadap hyperplane. b = nilai bias. y i = kelas data ke-i. Dari Persamaan 3 dan 4 diatas dapat digabungkan untuk mendapatkan hyperplane. Persamaannya ditunjukkan pada Persamaan 5 sebagai berikut (Pratama, 2016).
) = ( ). ( ) (6)
Keterangan: K(x i ,x j ) = fungsi kernel
( )
= transformasi data ke-i
( )
= transformasi data ke-j Selain Persamaan 6 dapat digunakan model
quadratic problem
untuk mendapatkan
hyperplane yang lebih optimal dengan
yi( . + ) ̵1 ≥ 0, untuk i = 1,2,.,n
(4) Keterangan: = data ke-i.
Euclidean Distance Euclidean distance adalah jarak yang
− )
Binary Decision Tree
Proses Binary Decision Tree merupakan tahapan untuk pembentukan pohon biner. Pembentukan pohon binernya meliputi pembagian kelas yaitu kelas positif dan negatif, dan pembentukan level. Prosesnya diawali dengan pencarian nilai maksimal dari hasil
euclidean distance, kemudian banding kelas
selain kelas dengan nilai maksimal, selanjutnya adalah alokasi kelas alokasi disini bertujuan untuk menentukan label dari masing-masing kelas yaitu positif dan negatif, dimana pelabelan ini dilihat dari letak kelas apakah berada pada indeks kiri atau indeks kanan. Apabila kelas berada pada indeks kiri maka otomatis kelas tersebut berlabel positif, dan sebaliknya apabila berada pada indeks kanan maka otomatis berlabel negatif. Proses terakhir adalah proses untuk pembentukan level.
. + ≤ ̵1, = ̵1
2
= √∑ ( =1
(2) Keterangan: = jarak antara kelas i dan j.
memisahkan antara dua buah kelas. Persamaan untuk menghitung Euclidean distance ditujukkan oleh persamaan 2.
a.
SVM Linear
Klasifikasi Support Vector Machine (SVM) linear berfungsi untuk memisahkan hyperplane dari sebaran data. Terdapat dua kelas yang akan dipisahkan yaitu kelas positif dan kelas negatif, pada Persamaan 2.1 dibawah pemisah positif dan negatif diberikan nilai -1 untuk negatif dan 1 untuk positif. Persamaan hyperplane dapat dilihat pada Persamaan 3 dan 4 sebagai berikut:
. + ≥ 1, = 1
(3)
= Rata-rata fitur ke-m pada kelas ke-I, dimana I = 1,..,4. = Rata-rata fitur ke-m pada kelas ke-I, dimana I = 1,..,4. n = jumlah fitur c.
3.2. Support Vector Machine
Support Vector Machine (SVM) adalah
algoritme pembelajaran yang menggunakan fungsi linier dalam ruang fitur yang berdimensi tinggi sehingga dapat mengimplementasikan
learning bias yang berasal dari teori
pembelajaran statistik (Sutikno, 2007). Metode ini menggunakan prinsip binary classifier dimana hanya dapat mengklasifikasikan suatu kelas ke dalam dua kelas yang berbeda (+1 dan - 1), tujuan dari metode ini adalah untuk untuk menentukan fungsi hyperplane atau garis pemisah untuk memisahkan dua macam objek.
Teori Support Vector Machine (SVM) dikembangkan oleh Vapnik, Biser dan Guyon pada tahun 1992 dan perkembangannya sangat pesat. SVM merupakan salah satu metode yang digunakan untuk klasifikasi, pengertian dari menggunakan Persamaan klasifikasi non-linier ditunjukkan pada Persamaan 7.
1 ∑ − ∑ . . ( , ) (7)
=1 , =1
2 Keterangan: = alfa ke-i.
= kelas sampel data (positif (+1) dan negatif (-1)). ( ) = fungsi kernel.
,
Dengan batasan sebagai berikut
∑ (8) = 0,0 ≤ ≤ , = 1,2, . , =0
Keterangan: C = Nilai complexity.
Nilai K(x, y) adalah pemetaan fungsi linier pada fungsi kernel pada feature space (Agustiani, 2016). Fungsi keputusan klasifikasi optimal ditunjukkan pada Persamaan 9.
(9)
( ) = ∑ . . ( , ) + =0
Gambar 2. Tahapan Penelitian
Terdapat beberapa fungsi kernel yang Studi literatur yang digunakan berupa sering digunakan untuk menyelesaikan referensi yang menunjang penelitian ini yaitu permasalahan non-linear, beberapa seputar gejala penyakit gigi dan mulut serta
Persamaannya ditunjukkan sebagai berikut: metode BDTSVM. Pada proses pengumpulan
1. Kernel Linear ditunjukkan pada Persamaan data, peneliti menggunakan data penyakit gigi
10. dan mulut yang diperoleh dari Puskesmas Dinoyo Malang, total data sebanyak 150 dengan
( , ) = . (10)
18 gejala dan 6 kelas penyakit gigi dan mulut 2. Kernel Polynomial ditunjukkan pada yaitu pulpitis, gingivitis, karies gigi,
Persamaan 11.
periodontitis, deposits, dan nekrosis pulpa .
(11)
( , ) = ( . ) 5.
PERANCANGAN SISTEM 3.
Kernel Gaussian RBF ditunjukkan pada Sistem yang dibangun merupakan sistem Persamaan 12. untuk klasifikasi jenis penyakit gigi dan mulut,
∥ − ∥2 ( , ) = exp ( ) (12)
penentuan jenis penyakitnya menggunakan
2 2
metode klasifikasi Binary Decision Tree Support
4. Sigmoid ditunjukkan pada Kernel
Vector Machine (BDTSVM). Dataset yang Persamaan 13.
digunakan sejumlah 150 data .csv. Diagram alir perancangan sistem ditunjukkan oleh Gambar 3.
( , ) = tan ( ( , ) + ) (13) 4.
METODE PENELITIAN
Metode penelitian yang dilakukan untuk klasifikasi penyakit gigi dan mulut menggunakan metode Binary Decision Tree
Support Vector Machine (BDTSVM) secara umum ditunjukkan pada Gambar 2.
Gambar 3. Diagram Alir BDTSVM
menggunakan nilai lambda (λ) 0,5, 0,7, 10, 100, 1000 dengan menggunakan nilai parameter
Pengujian Parameter Complexity Pengujian terhadap parameter complexity digunakan untuk melihat nilai complexity terbaik
c.
lebar margin pada hyperplane menjadi semakin membesar, sehingga sistem akan sulit untuk melakukan klasifikasi dan mengakibatkan akurasi cenderung menurun.
lambda yang semakin besar akan mempengaruhi
nilai lambda berada pada parameter 0,5 dimana menghasilkan akurasi paling optimal yaitu 94,28%. Melihat pada grafik bahwa semakin besar nilai lambda akurasi yang dihasilkan cenderung menurun, hal ini dikarenakan nilai
lambda menunjukkan bahwa akurasi terbaik
Berdasarkan hasil pengujian pada Gambar 5 ditunjukkan bahwa tingkat akurasi pengujian
Gambar 5. Grafik hasil pengujian lambda
) = 0,01, complexity = 0,1, dan iterasi maksimal = 5. Grafik pengujian parameter lambda ditunjukkan oleh Gambar 5.
SVM yaitu parameter lambda (λ) = 0,5, parameter gamma (
lambda yang digunakan dalam pengujian ini
Data yang digunakan sebagai masukan adalah data gejala penyakit gigi dan mulut, kemudian kelas pada data akan dipisahkan kedalam bentuk label yaitu label positif dan negatif menggunakan metode binary decision
Pengujian terhadap parameter lambda digunakan untuk melihat pada nilai lambda berapa yang menghasilkan akurasi terbaik. Nilai
b. Pengujian Parameter Lambda (λ)
Berdasarkan hasil pengujian pada Gambar 4 ditunjukkan bahwa rata-rata akurasi paling stabil berada pada akurasi 94,28%. Untuk pengujian pada iterasi ke 10 dan 50 mengalami penurunan akurasi, menurunnya akurasi terjadi karena rasio support vector yang dihasilkan tidak seimbang dan mengakibatkan beberapa data terletak jauh dari bidang pemisah (hyperplane) yang ideal. Berdasarkan pengujian ini dapat disimpulkan bahwa semakin besar jumlah iterasi maksimal tidak menjamin menghasilkan akurasi yang tinggi.
Gambar 4. Grafik hasil pengujian iterasi maksimal
) = 0,01, complexity = 0,1, dan iterasi maksimal = 5. Grafik pengujian akurasi maksimal ditunjukkan oleh Gambar 4.
gamma (
(λ) = 0,5, parameter
Pengujian terhadap nilai iterasi maksimal bertujuan untuk mendapatkan nilai iterasi maksimal terbaik untuk menghasilkan tingkat akurasi terbaik. Nilai iterasi maksimal yang digunakan dalam pengujian ini menggunakan nilai iterasi maksimal 5, 10, 50, 100, dan 150 dengan menggunakan nilai parameter SVM yaitu parameter lambda
langkah selanjutnya adalah klasifikasi menggunakan metode Support Vector Machine. Hasil yang dihasilkan pada proses ini berupa hasil klasifikasi 6 penyakit gigi dan mulut.
tree . Setelah semua kelas terbentuk label
6. PENGUJIAN DAN ANALISIS a. Pengujian Iterasi Maksimal
yang menghasilkan tingkat akurasi yang tinggi pada proses sequential training SVM. Nilai
gamma ditunjukkan oleh Gambar 7.
Support Vector Machine (BDTSVM) untuk
Impementasi Metode Binary Decision Tree
diperoleh beberapa kesimpulan sebagai berikut: 1.
Support Vector Machine (BDTSVM), maka
Berdasarkan serangkaian tahapan dan pengujian yang telah dilakukan pada penelitian impementasi metode Binary Decision Tree
7. KESIMPULAN
bahwa pemilihan nilai parameter yang digunakan pada proses SVM harus tepat, hal ini dikarenakan nilai parameter yang digunakan sangat berpengaruh terhadap nilai akurasi. Pada proses pengujian yang dilakukan, akurasi terbaik diperoleh dengan menggunakan nilai iterasi maksimal = 5, parameter lambda = 0,5, complexity = 0,1, dan gamma 0,001.
complexity dan iterasi maksimal menunjukkan
Hasil analisis pengujian terhadap beberapa parameter seperti lambda, gamma, epsilon,
e. Analisis Tingkat Akurasi
95,71% dengan parameter gamma 0,01 dan 0,001. Hasil pengujian pada grafik menunjukkan bahwa semakin besar nilai parameter gamma akurasi yang dihasilkan cenderung semakin menurun hal ini disebabkan nilai gamma yang besar akan membuat proses learning rate menghasilkan nilai yang semakin besar sehingga berpengaruh terhadap ketelitian sistem yang semakin berkurang sehingga mengakibatkan akurasi yang cenderung menurun .
gamma yang paling optimal berada pada akurasi
Berdasarkan hasil pengujian pada Gambar 7 ditunjukkan bahwa rata-rata akurasi parameter
Gambar 7. Grafik pengujian parameter gamma
( ) = 0,01, complexity = 0,1, dan iterasi maksimal = 5. Grafik pengujian parameter
complexity yang digunakan dalam pengujian ini
training . Dimana pada saat nilai C mendekati
yaitu 0,0001, 0,001, 0,01, 0,1, 1 dengan menggunakan nilai parameter SVM yaitu parameter lambda
(λ) = 0,5, parameter gamma (
) = 0,01, complexity = 0,1, dan iterasi maksimal = 5. Grafik pengujian parameter
complexity ditunjukkan oleh Gambar 6.
Gambar 6. Grafik hasil pengujian lambda
Berdasarkan hasil pengujian pada Gambar 6 ditunjukkan bahwa akurasi rata-rata paling optimal pada pengujian complexity sebesar 94,17% dengan parameter C = 0,1 dan 1. Pengujian terhadap nilai complexity bertujuan untuk memperkecil nilai error pada proses
nilai 0 mengakibatkan lebar margin semakin menjauhi batas pemisah pada hyperplane, hal ini mengakibatkan berkurangnya tingkat akurasi pada proses training dan menyebabkan data
gamma
testing
tidak dapat diklasifikasikan dengan baik sehingga membuat akurasi cenderung menurun. Sedangkan untuk nilai C yang semakin besar mengakibatkan waktu komputasi semakin lama tetapi dapat menghasilkan nilai akurasi yang lebih baik.
d.
Pengujian Parameter Gamma
Pengujian terhadap parameter gamma digunakan untuk mendapatkan nilai gamma terbaik yang dapat menghasilkan tingkat akurasi yang tinggi pada proses sequential training SVM. Nilai gamma yang digunakan dalam pengujian ini yaitu 0,001, 0,01, 0,1, 1, dan 10 dengan menggunakan nilai parameter SVM yaitu parameter lambda
(λ) = 0,5, parameter
klasifikasi penyakit gigi dan mulut (Studi Kasus: Puskesmas Dinoyo Malang) menghasilkan akurasi rata-rata terbaik sebesar 94,28% dengan menggunakan perbandingan data training dan data testing sebesar 90% : 10%.
2. Rata-rata akurasi terbaik menggunakan kombinasi nilai parameter lambda (λ) = 0,5, parameter complexity (C) = 0,1, parameter
gamma ( ) = 0,01 dan iterasi maksimal = 5.
STMIK AMIKOM Yogyakarta. Kementerian Kesehatan RI, 2012. Pedoman
Kusnawi., 2007. Pengantar Solusi Data Mining.
Penentuan Potensi Bencana Tsunami Akibat Gempa Bumi, Skripsi, Universitas Brawijaya Malang.
DAFTAR PUSTAKA
Chorbev, I., Mazarov, G., Gjorgjevikj, D., 2008.
Pemeliharaan Kesehatan Gigi dan Mulut Ibu Hamil dan Anak Usia Balita Bagi Tenaga Kesehatan di Fasilias Pelayanan Kesehatan. ISBN.
pada Jaringan. Sekolah Teknik Elektro dan Informatika, IPB.
Vector Machine untuk Pendeteksian Intrusi
Sembiring, K., 2007. Penerapan Teknik Support
Decision Tree Multi-class Support Vector Machine , Skripsi, Universitas Brawijaya.
Raharjo, G.S, 2015. Klasifikasi Dokumen E- Complaint Kampus menggunakan Binary
Rekomendasi Pemilihan Terapi Dehidrasi pada Anak, Skripsi, Universitas Brawijaya Malang. Pratiwi, Y.M.E., 2013. 45 Masalah dan Solusi Penyakit Gigi & Mulut. Andi.
Support Vector Machine untuk
Sari, R.A.N., 2016. Implementasi Metode
Rs-Triadipa., 2009. Waspadai Penyebaran Penyakit dari Gigi. Tersedia di:< [Diakses 17 maret 2017].
Elektrokardiografi (EKG) Menggunakan Binary Decision Tree Support Vector Machine (BDTSVM) , Skripsi, Universitas Brawijaya Malang.
Pratama, A., 2016. Klasifikasi Kondisi Detak Jantung Berdasarkan Hasil Pemeriksaan
Munif, M.S., 2016. Pemodelan Sistem Pakar Diagnosis Penyakit Periodontal Pada Gigi dan Mulut Menggunakan Metode AHP- SAW, Skripsi, Universitas Brawijaya Malang.
Kementerian Kesehatan RI,2012. Buku Panduan Pelatihan Kader Kesehatan Gigi dan Mulut di Masyarakat. ISBN.
Kementerian Kesehatan RI,2012. Modul Pelatihan Identifikasi Lesi Rongga Mulut dan Penatalaksanaan Kesehatan Gigi dan Mulut pada ODHA Bagi Tenaga Kerja Kesehatan Gigi di Fasilitas Pelayanan Kesehatan. ISBN.
Agustiani, A., 2016. Klasifikasi Penyakit Karies Gigi Pada Citra Dental Panoramic menggunakan Metode Binary Decision
A Multi-class SVM Classifier Utilizing Binary Decision Tree. Faculty of Electrial Engineering and Information Technology.
Tree Support Vector Machine , Skripsi, Universitas Braijaya Malang.
Cholisudin, I., Indriyati, Kurniati, M., Arwani, I., 2014. Clasification of Campus E-
Complaint Document using Directed Acyclic Graph Multiclass SVM Based onnn Analytic Hierarchy Process , Universitas Brawijaya, Malang.
Insanilah, S.M., 2015. Implementasi Algoritme
Vector Quantization (LQV) , Skripsi, Universitas Brawijaya Malang.
Islamiah, N., 2016. Klasifikasi Penyakit Gigi dan Mulut Menggunakan Metode Learning
Gigi Pencegahan . Fakultas Kedokteran Gigi Universitas Gajahmada.
Houwing, B., Dirks B., 1993. Ilmu Kedokteran
Health, 2015. Seberapa sering Harus ke Dokter Gigi. Tersedia di:< http://www.1health.id/id/article/category/s ehat-a-z/seberapa-sering-harus-ke-dokter- gigi.html> [Diakses 19 Februari 2017]
Ferdyanto, G.R., 2016. Sistem Pakar untuk Mendiagnosa Penyakit Gigi dan Mulut dengan Metode Certainy Factor berbasis Web, Skripsi, Universitas Brawijaya Malang.
Klasifikasi Tingkat Resiko Terkena Penyakit Stroke, Skripsi, Universitas Brawijaya Malang.
Vector Quantization (LVQ) untuk
Dwiatmoko, T., 2016. Implementasi Learning
Dechacare, 2008. Sakit Gigi Bisa Picu Penyakit Kronis. Tersedia di:< http://dechacare.com/Sakit-Gigi-Bisa-Picu- Penyakit-Kronis-I231-1.html > [Diakses 17 Maret 2017].
Support Vector Machine (SVM) untuk