Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear

Jurnal Informatika

View Publication Info
 
 
Field Value
 
Title Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear
 
Creator Arifin, Toni
 
Subject Teknik Informatika; Data Mining
Data Mining Klasifikasi
 
Description AbstrakPenyakit kanker adalah salah satu penyebab kematian di seluruh dunia. Di indonesia  Kanker serviks dan kanker payudara merupakan penyakit kanker dengan penderita terbanyak. Penyebab kanker serviks adalah virus HPV (Human Papilloma Virus) tipe 16 dan 18. Tes Pap Smear merupakan salah satu pencegahan kanker serviks secara dini. Pada pemeriksaan Pap Smear sel akan di amati di bawah mikroskop untuk membedakan sel normal dan abnormal, pada pemeriksaan ini ahli patologi terkadang kesulitan dalam pengamatan sel karena bentuk sel yang hampir mirip, dan pemeriksaan sel memakan waktu dan terkadang terjadi kesalahan. Tujuan dari penelitian ini adalah mengusulkan model klasifikasi untuk klasifikasi sel Pap Smear untuk memudahkan ahli patologi. Metode yang digunakan adalah kombinasi dari metode Particle Swarm Optimization untuk seleksi fitur dan Teknik Bagging untuk mengatasi jumlah kelas yang tidak seimbang. Dari kombinasi ke 2 metode tersebut di ujicoba dengan metode klasifikasi Decision Tree, Naïve Bayes dan K-NN untuk mengetahui perbandingan dari setiap metode klasifikasi. Hasil dari penelitian ini menunjukkan bahwa penggabungan metode Particle Swarm Optimization dan Teknik Bagging terbukti efektif untuk klasifikasi sel Pap Smear, itu di lihat dari hasil akurasi yang ditunjukkan. Klasifikasi dengan metode K-NN menghasilkan akurasi terbaik untuk klasifikasi sel normal dan abnormal yaitu 95,05%, sedangkan metode klasifikasi dengan akurasi terbaik untuk klasifikasi 7 kelas yaitu Decision Tree dengan 64,24%. Kata Kunci: Kanker Serviks, Pap Smear dan Klasifikasi.  AbstractCancer is one of the leading causes of death in worldwide. In Indonesia cervical cancer and breast cancer is a cancer disease with most patients. The cause of cervical cancer is HPV virus (Human Papilloma Virus) types 16 and 18. Pap Smear test is one of the prevention of cervical cancer early. On Pap Smear examination the cells will be observed under a microscope to distinguish normal and abnormal cells, on this examination Pathologists sometimes find it difficult to observe cells because of the almost identical cell shape, and examination are time-consuming and sometimes faulty. The purpose of this research is to propose a classification model for Pap Smear to facilitate Pathologists. The method is used a combination of Particle Swarm Optimization for selection feature and Bagging technique to overcome an unbalanced of classes. From the combination of the two methods, we tested the classification method of Decision Tree, Naïve Bayes and K-NN to find out the comparison of each classification method.  The result of this research indicate that the incorporation of Particle Swarm Optimization method and Bagging Technique proved effective for classification of Pap Smear cells, it is viewed from the accuracy shown results. Classification with K-NN method gives the best accuracy for normal and abnormal cell classification of 95,05%, while classification method with best accuracy for classification 7 class is Decision Tree with 64,24%. Keywords: Cervical Cancer, Pap Smear and Classification.
 
Publisher LPPM Universitas BSI
 
Contributor
 
Date 2017-09-22
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion



 
Format application/pdf
 
Identifier http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/2129
10.31311/ji.v4i2.2129
 
Source Jurnal Informatika; Vol 4, No 2 (2017): Jurnal INFORMATIKA
Jurnal Informatika; Vol 4, No 2 (2017): Jurnal INFORMATIKA
2528-2247
2355-6579
 
Language ind
 
Relation http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/2129/pdf
 
Coverage


 
Rights ##submission.copyrightStatement##
http://creativecommons.org/licenses/by/4.0
 

Contact Us

The PKP Index is an initiative of the Public Knowledge Project.

For PKP Publishing Services please use the PKP|PS contact form.

For support with PKP software we encourage users to consult our wiki for documentation and search our support forums.

For any other correspondence feel free to contact us using the PKP contact form.

Find Us

Twitter

Copyright © 2015-2018 Simon Fraser University Library