Perbandingan Performa Teknik Sampling Data untuk Klasifikasi Pasien Terinfeksi Covid-19 Menggunakan Rontgen Dada

JOURNAL OF APPLIED INFORMATICS AND COMPUTING

View Publication Info
 
 
Field Value
 
Title Perbandingan Performa Teknik Sampling Data untuk Klasifikasi Pasien Terinfeksi Covid-19 Menggunakan Rontgen Dada
Perbandingan Performa Teknik Sampling Data untuk Klasifikasi Pasien Terinfeksi Covid-19 Menggunakan Rontgen Dada
 
Creator Purnajaya, Akhmad Rezki
Hanggara, Fuad Dwi
 
Description The COVID-19 virus became a virus that was deadly and shocked the world. One of the consequences caused by the COVID-19 virus is a respiratory infection. The solution put forward for this problem is with a prediction of the COVID-19 virus infection. This prediction was made based on the classification of chest X-ray data. One challenging issue in this field is the imbalance on the amount of data between infected chest X-rays and uninfected chest X-rays. The result of imbalanced data is data classification that ignores classes with fewer data. To overcome this problem, the data sampling technique becomes a mechanism to make the data balanced. For this reason, several data sampling techniques will be evaluated in this study. Data sampling techniques include Random Undersampling (RUS), Random Oversampling (ROS), Combination of Over-Undersampling (COUS), Synthetic Minority Over-sampling Technique (SMOTE), and Tomek Link (T-Link). This study also uses the Support Vector Machines (SVM) data classification, because it has high accuracy. Furthermore, the evaluation is carried out by selecting the highest accuracy and Area Under Curve (AUC). The best sampling technique found was SMOTE with an accuracy value of 99% and an AUC value of 99.32%. The SMOTE technique is the best data sampling technique for the classification of COVID-19 chest x-ray data.
Virus COVID-19 menjadi virus yang mematikan dan menggemparkan dunia. Salah satu akibat yang ditimbulkan oleh virus COVID-19 adalah infeksi saluran pernapasan. Solusi yang diajukan untuk masalah ini adalah dengan prediksi infeksi virus COVID-19. Prediksi ini dibuat berdasarkan klasifikasi data rontgen dada. Namun, jumlah data rontgen dada adalah data yang tidak seimbang. Hasil dari ketidakseimbangan data adalah klasifikasi data yang mengabaikan kelas dengan data yang lebih sedikit. Untuk mengatasi masalah tersebut maka teknik pengambilan sampel data menjadi mekanisme untuk membuat data menjadi seimbang. Untuk itu, beberapa teknik pengambilan sampel data akan dievaluasi dalam penelitian ini. Teknik pengambilan sampel data antara lain Random Undersampling (RUS), Random Oversampling (ROS), Combination of Over-Undersampling (COUS), Synthetic Minority Over-sampling Technique (SMOTE), dan Tomek Link (T-Link). Penelitian ini juga menggunakan klasifikasi data Support Vector Machines (SVM), karena memiliki akurasi yang tinggi. Selanjutnya evaluasi dilakukan dengan memilih akurasi dan Area Under Curve (AUC) tertinggi . Teknik pengambilan sampel terbaik yang ditemukan adalah SMOTE dengan nilai akurasi 99% dan nilai AUC 99.32%. Teknik SMOTE merupakan teknik pengambilan sampel data terbaik untuk klasifikasi data rontgen dada COVID-19.
 
Publisher Politeknik Negeri Batam
 
Date 2021-06-29
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
 
Format application/pdf
 
Identifier https://jurnal.polibatam.ac.id/index.php/JAIC/article/view/3010
10.30871/jaic.v5i1.3010
 
Source Journal of Applied Informatics and Computing (JAIC); Vol 5 No 1 (2021): Juli 2021; 37-42
Journal of Applied Informatics and Computing (JAIC); Vol 5 No 1 (2021): Juli 2021; 37-42
2548-6861
10.30871/jaic.v5i1
 
Language eng
 
Relation https://jurnal.polibatam.ac.id/index.php/JAIC/article/view/3010/1423
 
Rights Copyright (c) 2021 Akhmad Rezki Purnajaya, Fuad Dwi Hanggara
http://creativecommons.org/licenses/by-sa/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