PENERAPAN SUPPORT VECTOR MACHINE (SVM) PADA SMALL DATASET UNTUK DETEKSI DINI GANGGUAN AUTISME

Bayu Sugara; Agus Subekti

doi:10.33480/pilar.v15i2.649

Bayu Sugara ^(1*) STMIK Nusa Mandiri Jakarta
Agus Subekti ⁽²⁾ Pusat Penelitian Elektronika dan Telekomunikasi Lembaga Ilmu Pengetahuan Indonesia

(*) Corresponding Author

DOI: https://doi.org/10.33480/pilar.v15i2.649

Keywords: Machine Learning, Support Vector Machine, Small Dataset, Poly kernel, Teknik Ensemble

Abstract

Seiring dengan perkembangan ilmu pengetahuan dan teknologi informasi, kehadiran machine learning dibidang komputer telah menjadi salah satu tren dan menarik banyak perhatian. Penggunaan machine learning tidak terlepas dari penggunaan data dalam pembelajarannya. Data yang besar merupakan data yang sering digunakan dalam proses pembelajaran machine learning. Perkembangan machine learning yang sangat pesat dapat memungkinkan data yang besar cepat pula terakumulasi. Namun, jarang ditemukan machine learning menggunakan data yang kecil (small dataset) dalam proses pembelajarannya. Small dataset ini biasanya bersifat private yang diambil dari sebuah organisasi yang akan dijadikan objek penelitian seperti data bank, rumah sakit, pabrik dan perusahaan jasa. Dalam penelitian ini peneliti menggunakan algoritma Support Vector Machine dan k-fold corss validation untuk menguji nilai keakuratan small dataset serta menggunakan teknik ensemble untuk mengetahui seberapa pengaruhnya teknik ensemble terhadap algoritma Support Vector Machine. Hasil dari penelitian ini menunjukkan bahwan teknik ensemble dapat meningkatkan performa akurasi pada Support Vector Machine. Model algoritma SVM dan teknik ensemble dengan poly kernel menunjukkan nilai akurasi terbaik yaitu sebesar 91%.

Downloads

Download data is not yet available.

References

Alarifi, H. S., & Young, G. S. (2018). Using Multiple Machine Learning Algorithms to Predict Autism in Children. International Conference Artificial Intteligence, 464–467.

Bekerom, B. Van Den. (2012). Using Machine Learning for Detection of Autism Spectrum Disorder.

Boham, S. E. (2013). Pola Komunikasi Orang Tua Dengan Anak Autis (Studi pada orang tua dari anak autis di Sekolah Luar Biasa AGCA Center Pumorow Kelurahan Banjer Manado). Journal, II(4).

Budiman, E., Santoso, E., & Afirianto, T. (2017). Pendeteksi Jenis Autis pada Anak Usia Dini Menggunakan Metode Linear Discriminant Analysis ( LDA ). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(August), 583–592.

Feng, S., Zhou, H., & Dong, H. (2019). Using deep neural network with small dataset to predict material defects. Materials and Design, 162, 300–310. https://doi.org/10.1016/j.matdes.2018.11.060

Fridayanthie, E. W. (2015). Analisa Data Mining Untuk Prediksi Penyakit Hepatitis Dengan Menggunakan Metode Naive Bayes dan Support Vector Machine. Jurnal Khatulistiwa Informatika, 3, 24–36.

Gardenia, M., Tursina, & Pratiwi, H. S. (2015). Sistem Pakar Deteksi Autisme Pada Anak Menggunakan Metode Fuzzy Tsukamoto. Jurnal Sistem Dan Teknologi Informasi, 2(1), 1–6.

Hendita, G., Kusuma, A., Si, S., Cs, M., & Oktana, L. (2012). Sistem Identifikasi Penyakit Autis Anak Berbasis Web. Jurnal TICOM, 1(1), 29–41.

Merianto, R. W. (2016). Peran Orang Tua Dalam Menangani Anak Autis. Jom Fisip, 3(1), 1–15.

Munawarah, R., Soesanto, O., & Faisal, M. R. (2016). Penerapan Metode Support Vector Machine, 04(01), 103–113.

Nurmasani, A., Utami, E., & Al Fatta, H. (2017). Analisis Support Vector Machine. Jurnal Informasi Interaktif, 2(1).

Parapat, I. M., & Furqon, M. T. (2018). Penerapan Metode Support Vector Machine ( SVM ) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(10), 3163–3169.

Permono, H. (2013). Peran Orang Tua dalam Optimalisasi Tumbuh Kembang Anak untuk Membangun Karakter Anak Usia Dini. Prosiding Seminar Nasional Parenting, 34–47.

Puspitasari, A. M., Ratnawati, D. E., & Widodo, A. W. (2018). Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(2), 802–810.

Rachman, F., & Purnami, W. S. (2012). Perbandingan Klasifikasi Tingkat Keganasan Breast Cancer Dengan Menggunakan Regresi Logistik Ordinal Dan Support Vector Machine (SVM). Jurnal Sains Dan Seni ITS, 1(1). https://doi.org/10.12962/j23373520.v1i1.1932

Shaikhina, T., Lowe, D., Daga, S., Briggs, D., Higgins, R., & Khovanova, N. (2015). Machine learning for predictive modelling based on small data in biomedical engineering. IFAC-PapersOnLine, 28(20), 469–474. https://doi.org/10.1016/j.ifacol.2015.10.185

Sharma, S., & Sharma, V. (2016). Performance of Various Machine Learning Classifiers on Small Datasets with Varying Dimensionalities: A Study. Circulation in Computer Science, 1(1), 30–35. https://doi.org/10.22632/ccs-2016-251-23

Siwi, A. R. K., & Anganti, N. R. N. (2017). Strategi Pengajaran Interaksi Sosial pada Anak Autis. Indigenous: Jurnal Ilmiah Psikologi, 2(2), 184–192. https://doi.org/10.23917/indigenous.v2i2.5703

Sugara, Widyatmoko, Prakoso, S. D. (2018). Penerapan Algoritma C4.5 untuk Deteksi Dini Gangguan Autisme Pada Anak. Seminar Nasional Teknologi Informasi Dan Komunikasi (SENTIKA), 87–96.

Sugara, B., & Subekti, A. (2019). Penerapan Support Vector Machine (SVM) Pada Small Dataset Untuk Deteksi Dini Gangguan Autisme. Laporan Akhir.

Susanto, S. E. (2014). Penerimaan Orang tua terhadap Kondisi Anaknya yang Menyandang Autisme di Rumah Terapis Little Star. Jurnal Psikosains, 9(2), 140–152.

Susilowati, E., Sabariah, M. K., & Gozali, A. A. (2015). Implementasi Metode Support Vector Machine untuk Melakukan Klasifikasi Kemacetan Lalu Lintas Pada Twitter. E-Proceeding of Engineering, 2(1), 1–7.