PREDIKSI PENYAKIT INFEKSI SALURAN KEMIH (ISK) MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)

WANDI, (2020) PREDIKSI PENYAKIT INFEKSI SALURAN KEMIH (ISK) MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM). Undergraduate Theses thesis, Universitas Tadulako.

Full text not available from this repository.

Abstract

ABSTRAK Infeksi saluran kemih adalah kolonisasi patogen yang terjadi di sepanjang saluran kemih seperti ginjal, ureter, kandung kemih, dan uretra. Dalam mendiagnosa penyakit ISK perlu dikenali faktor risiko dan gejalanya, namun banyaknya pasien yang tidak mengerti akan hal itu mengakibatkan banyak pasien yang melakukan pemeriksaan ke dokter sudah dalam keadaan akut. Sehingga perlu adanya aplikasi prediksi yang dapat membantu pasien dalam memprediksi penyakit ISK secara dini. Penelitian ini menggunakan metode Support Vector Machine (SVM) untuk memprediksi penyakit ISK. Konsep dasar SVM secara sederhana dijelaskan sebagai usaha mencari hyperplane terbaik yang menjadi pemisa antara dua kelas input space. Pada penelitian ini sistim akan memprediksi pasien ISK berdasarkan data rekam medik yang diperoleh dari RSUD Undata Palu. Data yang digunakan yaitu 150, kemudian dibagi menjadi 80?ta training dan 20% testing. Hasil akurasi terbaik diperoleh 100%, dimana model terbaik SVM dengan menggunakan fungsi kernel polynomial dapat mengklasifikasikan data penyakit ISK dengan benar. Kata Kunci : Hyperplane Terbaik, Infeksi Saluran Kemih, Polynomial Fungsi kernel, Support Vector Machine.

Item Type: Thesis (Undergraduate Theses)
Subjects: University Structure > Faculty of Mathematics and Natural Sciences > Mathematics
S1 - Undergraduate Thesis > Faculty of Mathematics and Natural Sciences > Mathematics
Divisions: Faculty of Mathematics and Natural Sciences > Mathematics
Tadulako Subject Areas > S1 - Undergraduate Thesis > Faculty of Mathematics and Natural Sciences > Mathematics
Depositing User: system estd estd
Date Deposited: 20 Jul 2020 07:03
Last Modified: 20 Jul 2020 06:35
URI: http://repository.untad.ac.id/id/eprint/5183

Actions (login required)

View Item View Item