Text
PERBANDINGAN SELEKSI FITUR PARTICLE SWARM OPTIMIZATION (PSO), ANT COLONY OPTIMIZATION (ACO), DAN GENETIC ALGORITHM (GA) PADA KLASIFIKASI KANKER PARU-PARU
Penelitian ini bertujuan untuk menerapkan dan membandingkan metode seleksi fitur Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO), dan Genetic Algorithm (GA) dalam klasifikasi kanker paru-paru menggunakan algoritma Support Vector Machine (SVM). Penelitian ini menggunakan 10000 data pasien kanker paru-paru yang terdiri dari 14 fitur dan 1 label. Proses seleksi fitur diimplementasikan untuk meningkatkan akurasi model klasifikasi dengan mengeliminasi fitur-fitur yang kurang relevan. Hasil penelitian menunjukkan bahwa metode Particle Swarm Optimization (PSO) menghasilkan akurasi tertinggi sebesar 53%, diikuti oleh Ant Colony Optimization (ACO) dengan akurasi 51%, dan Genetic Algorithm (GA) dengan akurasi 49%. Seleksi fitur menggunakan Particle Swarm Optimization (PSO) terbukti lebih efektif dibandingkan metode lainnya karena mekanisme pembaruan partikel yang memperhitungkan posisi terbaik lokal dan global, memungkinkan model fokus pada fitur yang relevan secara optimal. Dengan demikian, penerapan seleksi fitur Particle Swarm Optimization (PSO) memberikan kontribusi signifikan dalam meningkatkan performa klasifikasi kanker paru-paru menggunakan Support Vector Machine (SVM). Penelitian ini menegaskan bahwa optimalisasi fitur merupakan langkah krusial dalam pengembangan model prediksi yang lebih akurat dan efisien. Kata kunci: Klasifikasi, Support Vector Machine (SVM), Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO), Genetic Algorithm (GA), seleksi fitur.
Inventory Code | Barcode | Call Number | Location | Status |
---|---|---|---|---|
2507000818 | T166338 | T1663382025 | Central Library (Reference) | Available but not for loan - Not for Loan |
No other version available