KLASIFIKASI DALAM PENANGANAN KASUS ISPA PADA BALITA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE TUGAS AKHIR

(1)

1

KLASIFIKASI DALAM PENANGANAN KASUS ISPA PADA BALITA MENGGUNAKAN METODE SUPPORT VECTOR

MACHINE

TUGAS AKHIR

Diajukan Untuk Memenuhi

Persyaratan Guna Meraih Gelar Sarjana Strata 1 Informatika Universitas Muhammadiyah Malang

Salsabil Shafarin Laili 201610370311033

Data Science

PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH MALANG

2020

(2)

ii

LEMBAR PERSETUJUAN

KLASIFIKASI DALAM PENANGANAN KASUS ISPA PADA BALITA MENGGUNAKAN METODE SUPPORT VECTOR

MACHINE

TUGAS AKHIR

Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang

Disusun Oleh : Salsabil Shafarin Laili

201610370311033

Menyetujui,

Pembimbing I

Galih Wasis Wicaksono, S.Kom., M.Cs.

NIP. 108.1410.0541

Pembimbing II

Yufis Azhar, M.Kom.

NIP. 108.1410.0544

(3)

iii

LEMBAR PENGESAHAN

KLASIFIKASI DALAM PENANGANAN KASUS ISPA PADA BALITA MENGGUNAKAN METODE SUPPORT VECTOR

MACHINE

TUGAS AKHIR

Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang

Disusun Oleh : Salsabil Shafarin Laili

201610370311033

Tugas Akhir ini Telah Diuji Dan Dinyatakan Lulus Melalui Sidang Majelis Penguji Pada Tanggal…………

Menyetujui,

Penguji I Penguji II

Mengetahui,

Ketua Jurusan Teknik Informatika

Hj. Gita Indah Marthasari, S.T., M.Kom.

NIP. 108.0611.0442

(4)

iv

LEMBAR PERNYATAAN

Yang bertanda tangan dibawah ini:

Nama : Salsabil Shafarin Laili

Tempat, Tanggal Lahir : Banyuwangi, 13 Juni 1998

NIM : 201610370311033

Fakultas / Jurusan : Teknik / Teknik Informatika

Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul “ Klasifikasi Dalam Penanganan Kasus ISPA Pada Balita Menggunakan Metode Support Vector Machine” beserta seluruh isinya adalah karya saya sendiri dan bukan merupakan karya orang lain, baik sebagian maupun seluruhnya, kecuali dalam bentuk kutipan yang telah disebutkan sumbernya.

Demikian surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila kemudia ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya saya ini, atau ada klaim dari pihak lain terhadap keaslian karya saya ini maka saya siap menanggung segala bentuk resiko / sanksi yang berlaku.

Malang, 4 September 2020 Yang Membuat Pernyataan

Salsabil Shafarin Laili

Pembimbing I

Galih Wasis Wicaksono, S.Kom., M.Cs.

NIP. 108.1410.0541

Pembimbing II

Yufis Azhar, M.Kom.

NIP. 108.1410.0544

(5)

v

ABSTRAK

Penyakit infeksi merupakan salah satu masalah dalam kesehatan yang memerlukan antimikroba atau antibiotik. Infeksi Saluran Pernapasan Akut (ISPA) adalah penyakit pada saluran pernapasan yang disebabkan oleh bakteri yang menyerang salah satu bagian dari saluran pernapasan dari hidung sampai alveoli.

Penyakit ISPA terdiri dari dua, yaitu penyakit ISPA non pneumonia atau yang lebih dikenal dengan influenza. Penanganan penyakit ISPA non pneumonia pada usia balita cukup dengan pemberian pengobatan tradisional dan tidak perlu pengobatan antibiotik. Penyakit ini rentan menyerang kepada anak-anak dan balita karena sistem kekebalan tubuh mereka yang lebih rendah. Penyakit ISPA pneumonia pada balita ditandai dengan adanya gejala batuk dan atau kesulitan bernapas, seperti napas cepat, tarikan dada bagian bawah ke dalam atau gambaran dari thorax.

Sedangkan penyakit ISPA non pneumonia pada balita ditandai dengan gejala batuk tetapi tidak mengalami napas cepat dan tidak ada tarikan dinding dada bagian bawah ke dalam. Pemberian obat antibiotik yang tidak sesuai masih banyak terjadi.

Penggunaan antibiotik di tiap puskesmas memiliki indokator kesalahan dari peresepan obat antibiotik sebanyak ≤ 20%. Dalam menangani kasus ini dapat dilakukan klasifikasi penyakit ISPA pneumonia dan non pneumonia pada balita dan anak-anak. Pada penelitian ini menggunakan algoritma SVM (Support Vector Machine) untuk mengklasifikasikan penyakit ISPA pneumonia dan non pneumonia. Dataset yang digunakan sebanyak 271 data yang terdiri 135 data non pneumonia dan 136 data pneumonia. Model yang diajukan mendapatkan hasil terbaik pada kernel linear dengan proses cleaning outlier dan feature selection menggunakan PCA sebesar 96%. Berdasarkan hasil uji model SVM yang diusulkan efektif untuk melakukan klasifikasi penyakit ISPA non pneumonia dan pneumonia.

Kata Kunci – ISPA, Machine Learning, Classification, SVM.

(6)

vi

ABSTRACT

Infectious disease is a problem in health that requires antimicrobials or antibiotics. Acute Respiratory Infection (ARI) is a disease of the respiratory tract caused by bacteria that attacks one part of the respiratory tract from the nose to the alveoli. ARI disease consists of two, namely non-pneumonia ARI or better known as influenza. Treatment of non-pneumonia ARI at the age of under five is sufficient by providing traditional medicine and no need for antibiotic treatment.

This disease is susceptible to attacking children and toddlers because of their lower body systems. ARI pneumonia in toddlers who experience symptoms of coughing symptoms and difficulty breathing, such as rapid breathing, inward pulling of the chest or a picture of the thorax. Meanwhile, non-pneumonia ARI in toddlers who experience cough symptoms but do not breathe quickly and there is no pulling in the lower wall. The administration of inappropriate antibiotics still happens a lot.

The use of antibiotics in each health center has an indicator of errors in prescribing antibiotics by ≤ 20%. These cases can be classified as pneumonia and non- pneumonia ARI in toddlers and children. This study uses the SVM (Support Vector Machine) algorithm to classify pneumonia and non-pneumonia ARIs. The dataset used was 271 data consisting of 135 non-pneumonia data and 136 pneumonia data.

The proposed model gets the best results in linear kernels with outlier cleaning process and feature selection using PCA of 96%. Based on the results of the proposed SVM model test, it is effective to classify ARI non-pneumonia and pneumonia.

Keyword – ARI, Machine Learning, Classification, SVM

(7)

vii

LEMBAR PERSEMBAHAN

Alhamdulillahi robbil ‘alamin, dengan memanjatkan puji dan syukur kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya, dan tak lupa shalawat serta salam kepada junjungan Nabi Muhammad SAW, sehingga dengan ridha-Nya skripsi yang berjudul “Klasifikasi Dalam Penanganan Kasus ISPA Pada Balita Menggunakan Metode Support Vector Machine” dapat terselesaikan.

Penyelesaian skripsi ini tidak lepas dari dukungan dan bantuan dari berbagai pihak, baik secara langsung maupun tidak langsung. Oleh karena itu, pada kesempatan ini penulis dengan segala kerendahan hati mengucapkan terimakasih dan penghargaan yang sebesar-besarnya kepada:

1. Allah SWT yang selau memberikan kemudahan dan kesabaran dalam mengerjakan tugas akhir ini.

2. Orang tua saya dan keluarga besar saya, Bapak Wahju Hartono, Ibu Wachdieni, kakak Adnindya Rizka Falahnsia dan Aulia Maharani, dan Adik Muhammad Zulfikar Abdul jabbar atas segala doa, dukungan, motivasi, dan nasehat yang diberikan selama pengerjaan tugas akhir ini.

3. Ibu Hj. Gita Indah Marthasari, S.T., M.Kom., selaku Ketua Jurusan program studi Informatika Universitas Muhammadiyah Malang

4. Dosen Pembimbing saya, Bapak Galih Wasis Wicaksono, S.Kom., M.Cs. dan bapak Yufis Azhar, M.Kom., yang sudah bersedia dan meluangkan waktunya untuk membantu dan membimbing terkait tugas akhir ini.

5. Seluruh Bapak dan Ibu Dosen Pengajar yang telah memberikan ilmunya dan Staff TU jurusan Informatika.

6. Dicky Meidyanto yang senantiasa memberikan semangat, doa, dan dukungannya dalam pengerjaan tugas akhir ini.

7. Sahabat-sahabat saya, Danty, Riri, Imsa, Nabilah, Vincia, Icha, dan Annisa.

Terimakasih atas semangat, waktu, dan dukungannya yang telah diberikan.

8. Semua anggota kelas IT-A angkatan 2016, terimakasih sudah menjadi rekan satu kelas selama kurang lebih 4 tahun.

9. Teman- teman saya yang tidak dapat saya sebutkan satu per satu, terimakasih atas segala dukungan dan motivasi.

(8)

viii

KATA PENGANTAR

Dengan memanjatkan puji syukur kehadirat Allah SWT, atas limpahan rahmat dan hidayah-Nya sehingga peneliti dapat menyelesaikan tugas akhir yang berjudul

“KLASIFIKASI DALAM PENANGANAN KASUS ISPA PADA BALITA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE”

Didalam tulisan ini disajikan pokok – pokok bahasan yang meliputi latar belakang, metode penelitian, dan hasil dan pembahasan yang telah didapat dari penelitian ini dan telah disimpulkan berdasarkan hasil yang telah didapatkan oleh peneliti.

Peneliti menyadari sepenuhnya bahwa dalam penulisan tugas akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu peneliti mengharapkan saran yang membangun aar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan

Malang, 11 September 2020

Penulis

(9)

ix

DAFTAR ISI

LEMBAR PERSETUJUAN... ii

LEMBAR PENGESAHAN ... iii

LEMBAR PERNYATAAN ... iv

ABSTRAK ... v

ABSTRACT ... vi

LEMBAR PERSEMBAHAN ... vii

KATA PENGANTAR ... viii

DAFTAR ISI ... ix

DAFTAR TABEL ... xiv

PENDAHULUAN... 1

1.1. Latar Belakang... 1

1.2. Rumusan Masalah ... 3

1.3. Tujuan Penelitian ... 4

1.4. Batasan Masalah ... 4

1.5. Sistematika Penulisan ... 4

BAB II ... 6

TINJAUAN PUSTAKA... 6

2.1. Penelitian Terdahulu ... 6

2.2. Infeksi Saluran Pernapasan Akut... 8

2.3. Data Mining ... 9

2.4. Sistem Pakar ... 10

2.5. Preprocessing Data ... 10

2.6. Cleaning outlier ... 11

2.7. Principal Component Analysis ... 12

2.8. Support Vector Machine ... 13

(10)

x

2.9. Evaluasi ... 16

BAB III... 18

METODE PENELITIAN ... 18

3.1. Studi Literatur ... 18

3.2. Pengumpulan Data... 19

3.3.1. Cleaning Outlier ... 22

3.3.2. Feature Selection Menggunakan PCA ... 22

3.4. Splitting Data ... 22

3.5. Klasifikasi Data ... 23

3.5.1. Perhitungan SVM ... 24

3.6. Pengujian ... 28

BAB IV ... 30

HASIL DAN PEMBAHASAN ... 30

4.1. Lingkungan Pengujian ... 30

4.2. Dataset ... 30

4.3. Import Library ... 30

4.4. Memuat Data ... 31

4.5.1. Data Cleaning ... 32

4.5.1.1. Clean Outlier Pada Fitur Lama Batuk ... 35

4.5.1.2. Clean Outlier Pada Fitur Banyak Napas ... 36

4.5.1.3. Hasil Clean Outlier Pada Fitur Lama Batuk dan Banyak Napas .... 38

4.5.2. Data Tranformation... 40

4.5.3. Eksplorasi Data ... 41

4.5.4. Feature Selection Menggunakan Metode PCA ... 42

(11)

xi

4.5.5. Visualisasi Data ... 43

4.6. Build Model ... 44

4.6.1. Model Support Vector Machine ... 45

4.6.2. Model Naive Bayes ... 46

4.7. Pengujian Model NB dan Model SVM ... 46

4.7.1. Pengujian With Cleaning With PCA ... 47

4.7.1.1. Pengujian SVM ... 47

4.7.1.2. Pengujian Naive Bayes ... 48

4.7.2. Pengujian With Cleaning Without PCA ... 50

4.7.2.1. Pengujian SVM ... 50

4.7.2.2. Pengujian Naive Bayes ... 52

4.7.3. Pengujian Without Cleaning With PCA ... 53

4.7.3.1. Pengujian Model SVM ... 53

4.7.3.2. Pengujian Model Naive Bayes ... 54

4.7.4. Pengujian Without Cleaning Without PCA ... 55

4.7.4.1. Pengujian Model SVM ... 55

4.7.4.2. Pengujian Model Naive Bayes ... 57

BAB V ... 61

PENUTUP ... 61

5.1. Kesimpulan ... 61

5.2. Saran ... 61

DAFTAR PUSTAKA ... 62

(12)

xii

DAFTAR GAMBAR

Gambar 1. Identifikasi outlier menggunakan IQR ... 12

Gambar 2. SVM menentukan hyperplane terbaik dengan memisahkan kedua class -1 dan +1 ... 13

Gambar 3. Alur penelitian ... 18

Gambar 4. Hasil cek outlier Suhu_Badan ... 33

Gambar 5. Hasil cek outlier Umur... 33

Gambar 6. Hasil cek outlier Sukar_Bernapas ... 33

Gambar 7. Hasil cek outlier Lama_Batuk ... 33

Gambar 8. Hasil cek outlier Banyak_Napas ... 34

Gambar 9. Hasil Salinan Data Frame ... 35

Gambar 10. Data outlier pada fitur Lama_Batuk ... 36

Gambar 11. Data outlier pada fitur Banyak_Napas pertama ... 37

Gambar 12. Data outlier pada fitur Banyak_Napas kedua ... 37

Gambar 13. Hasil boxplot setelah dilakukan cleasnsing outlier pada fitur Suhu_Badan ... 39

Gambar 14. Hasil boxplot setelah dilakukan cleansing outlier pada fitur Umur 39 Gambar 15. Hasil boxplot setelah dilakukan cleansing outlier pada fitur Sukar_Bernapas... 39

Gambar 16. Hasil boxplot setelah dilakukan cleansing outlier pada fitur Lama_Batuk ... 39

Gambar 17.Hasil Boxplot setelah dilakukan cleaning outlier pada fitur Banyak_Napas... 40

Gambar 18. Hasil normalisasi ... 41

Gambar 19. Hasil korelasi setiap fitur ... 42

Gambar 20. Hasil seleksi fitur menggunakan PCA ... 43

Gambar 21. Hasil visualisasi data... 44

Gambar 22. Hasil Splitting Data Ratio 90:10 ... 45

Gambar 23. Hasil Splitting Data Ratio 80:20 ... 45

Gambar 24. Hasil Pencarian Kernel Terbaik Pada Ratio 90:10 ... 47

Gambar 25. Hasil Pencarian Kernel Terbaik Pada Ratio 80:20 ... 47

Gambar 26. Confusion Matrix Model SVM Ratio 90:10 ... 48

Gambar 27. Confusion Matrix SVM Ratio 80:20 ... 48

(13)

xiii

Gambar 28. Confusion Matrix Naive Bayes Ratio 90:10 ... 49

Gambar 29. Confusion Matrix Naive Bayes Ratio 80:20 ... 49

Gambar 30. Hasil Pencarian Kernel Pada Ratio 90:10 ... 50

Gambar 31. Hasil Pencarian Kernel Pada Ratio 80:20 ... 50

Gambar 34. Confusion Matrix Model Naive Bayes 90:10 ... 52

Gambar 35. Confusion Matrix Model Naive Bayes 80:20 ... 52

Gambar 36. Hasil Pencarian Kernel Terbaik Ratio 90:10 ... 53

Gambar 40. Confusion Matrix Model NB Ratio 90:10 ... 55

Gambar 41. Confusion Matrix Model NB Ratio 80:20 ... 55

Gambar 46. Confusion Matrix Model Naive Bayes Ratio 90:10 ... 57

Gambar 47. Confusion Matrix Model Naive Bayes Ratio 80:20 ... 58

(14)

xiv

DAFTAR TABEL

Tabel 1. Penelitian Terdahulu... 6

Tabel 2. Dataset penyakit non pneumonia ... 19

Tabel 3. Dataset penyakit pneumonia ... 19

Tabel 4. Kelas non pneumonia ... 20

Tabel 5. Kelas pneumonia ... 21

Tabel 6. Summarize dari keseluruhan dataset ... 21

Tabel 7. Dataset pneumonia dan non pneumonia secara acak ... 24

Tabel 8. Data uji non pneumonia dan pneumonia secara acak... 27

Tabel 9. Souce Code Import Library ... 31

Tabel 10. Source Code Load Data ... 31

Tabel 11. Hasil Load Data ... 32

Tabel 12. Source Code Mengecek Data Outlier Menggunakan Boxplot ... 32

Tabel 13. Source Code Treatment Outlier ... 34

Tabel 14. Source Code Salin Data Frame ... 35

Tabel 15. Source code mendeteksi outlier pada fitur Lama_Batuk ... 35

Tabel 16. Source code menghilangkan data outlier pada data frame outlier... 36

Tabel 17. Source code mendeteksi outlier pada fitur Banyak_Napas ... 36

Tabel 18. Source code menghilangkan data outlier pada data frame outlier... 38

Tabel 19. Source code pengecekan data oulier menggunakan bloxplot ... 38

Tabel 20. Source code data preparation ... 40

Tabel 21. Source code import library ... 41

Tabel 22. Source code data scaling ... 41

Tabel 23. Source code cek korelasi antar fitur ... 42

Tabel 24. Source Code Feature Selection... 43

Tabel 25. Source Code Visualisasi Data ... 44

Tabel 26. Source Code Splitting Data Ratio 90:10 ... 45

Tabel 27. Source Code Splitting Data Ratio 80:20 ... 45

Tabel 28. Source Code Model SVM ... 45

Tabel 29. Source Code Model Naive Bayes ... 46

(15)

xv

Tabel 30. Perbandingan Nilai Evaluasi Model SVM dan Naive Bayes Ratio 90:10 ... 58 Tabel 31. Perbandingan Nilai Evaluasi Model SVM dan Naive Bayes Ratio 80:20 ... 59

(16)

62

DAFTAR PUSTAKA

[1] D. Syamsul, A. Serbajadi, D. Iv, K. Sunggal, K. D. Serdang, and S. Utara,

“PNEUMONIA DI PUSKESMAS INDUK KOTA BINJAI THE EVALUATION OF RATIONAL ANTIBIOTIC USE IN NON PNEUMONIA ACUTE RESPIRATORY INFECTIONS ( ARI ) AT MAIN HEALTH CENTRE OF Alamat Korespondensi : Publish By ; Jurnal Dunia Farmasi PENDAHULUAN Penyakit salah satu infe,” vol. 3, no. 3, pp. 106–

114, 2019.

[2] Yuliana, Paradise, and Kusrini, “Sistem Pakar Diagnosa Penyakit Ispa Menggunakan Metode Naive Bayes Classifier Berbasis Web,” CSRID J., vol. 10, no. 3, pp. 127–138, 2018.

[3] H. Sudrajat Sugiharta, Febrian Hevike Filosane, “Evaluasi Penggunaan Antibiotik Pada Pasien Balita Dengan Diagnosa Ispa Bukan Pneumonia Di Puskesmas Bogor Timur,” J. InkofarAll Rights Reserv., vol. 1 nomor 1, no.

2615–3645, p. 10, 2018.

[4] N. F. MOELOEK, “PANDUAN PRAKTIK KLINIS BAGI DOKTER DI FASILITAS PELAYANAN KESEHATAN TINGKAT PERTAMA,” vol.

151, pp. 1–1279, 2015.

[5] Y. Liu, J. W. Bi, and Z. P. Fan, “Multi-class sentiment classification: The experimental comparisons of feature selection and machine learning algorithms,” Expert Syst. Appl., vol. 80, pp. 323–339, 2017.

[6] D. Kurniawaty, I. Cholissodin, and P. P. Adikara, “Klasifikasi Gangguan Jiwa Skizofrenia Menggunakan Algoritme Support Vector Machine ( SVM ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no.

5, pp. 1866–1873, 2018.

[7] B. Sugara and A. Subekti, “Penerapan Support Vector Machine (SVM) Pada Small Dataset Untuk Deteksi Dini Gangguan Autisme,” Lap. Akhir, vol. 15, no. 2, pp. 177–182, 2019.

[8] C. Cilloniz, I. Martin-Loeches, C. Garcia-Vidal, A. S. Jose, and A. Torres,

“Microbial etiology of pneumonia: Epidemiology, diagnosis and resistance patterns,” Int. J. Mol. Sci., vol. 17, no. 12, 2016.

[9] K. Nasution et al., “Infeksi Saluran Napas Akut pada Balita di Daerah Urban

(17)

63

Jakarta,” Sari Pediatr., vol. 11, no. 4, p. 223, 2016.

[10] H. Widayu, S. Darma, N. Silalahi, and Mesran, “Data Mining Untuk Memprediksi Jenis Transaksi Nasabah Pada Koperasi Simpan Pinjam Dengan Algoritma C4.5,” Issn 2548-8368, vol. Vol 1, No, no. June, p. 7, 2017.

[11] T. Hewan, P. Siantar, and D. Algoritma, “ANALISA KLASIFIKASI DATA MINING PADA TINGKAT KEPUASAN PENGUNJUNG,” vol. 3, pp.

588–592, 2019.

[12] C. Anam and H. B. Santoso, “Perbandingan Kinerja Algoritma C4 . 5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa,” J. Ilm. Ilmu-Ilmu Tek., vol. 8, no. 1, pp. 13–19, 2018.

[13] I. Syaputra, “Sistem pakar untuk mendiagnosa penyakit gagal ginjal dengan menggunakan metode bayes,” Pelita Inform. Budi Darma, vol. IV, no. 3, pp.

129–134, 2013.

[14] F. N. Salisah, L. Lidya, and S. Defit, “Sistem Pakar Penentuan Bakat Anak Dengan Menggunakan Metode Forward Chaining,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 1, no. 1, pp. 62–66, 2015.

[15] S. Ramírez-Gallego, B. Krawczyk, S. García, M. Woźniak, and F. Herrera,

“A survey on data preprocessing for data stream mining: Current status and future directions,” Neurocomputing, vol. 239, pp. 39–57, 2017.

[16] S. Sharma and A. Bhagat, “Data preprocessing algorithm for Web Structure Mining,” Proc. 5th Int. Conf. Eco-Friendly Comput. Commun. Syst. ICECCS 2016, pp. 94–98, 2017.

[17] C. C. Aggarwal, “Data Mining: The Textbook - Mining Discrete Sequences,”

Springer Int. Publ., p. 746, 2015.

[18] J. Qu, “Support-Vector-Machine-Based Diagnostics and Prognostics for Rotating Systems Doctor of Philosophy This dissertation is dedicated with my respect to my father and my mother . Without their unconditional support and love , I would not complete my study . T,” 2011.

[19] N. Rokhman, H. Nugroho, D. Saputri, and B. Yogyakarta, “Peningkatan Efisiensi Penugasan Guru di Provinsi Daerah Istimewa Yogyakarta Melalui Penghapusan Outlier,” no. 2013, pp. 8–9, 2018.

[20] Yaziz, D. Kusnandar, and S. W. RIzki, “Analisis Regresi Robust Estimasi-

(18)

64

M Dengan Menggunakan Pembobotan Bisquare Tukey Dan Welsh Dalam Mengatasi Data Outlier,” vol. 08, no. 4, pp. 799–804, 2019.

[21] T. W. Utami and I. Arianti, “PRINCIPAL COMPONENT ANALYSIS SUPPORT VECTOR MACHINE ( PCA-SVM ) UNTUK KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA,” pp. 978–979, 2020.

[22] N. I. Fadilah, B. Rahayudi, and M. T. Furqon, “Implementasi Algoritme Support Vector Machine ( SVM ) Untuk Klasifikasi Penyakit Dengan Gejala Demam,” vol. 2, no. 11, pp. 5619–5625, 2018.

[23] P. A. Octaviani, Yuciana Wilandari, and D. Ispriyanti, “Penerapan Metode Klasifikasi Support Vector Machine (SVM) pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten Magelang,” J. Gaussian, vol. 3, no. 8, pp. 811–

820, 2014.

[24] bambang R. T. Enda Esyudha Pratama, “Klasifikasi Topik Keluhan Pelanggan Berdasarkan Tweet dengan Menggunakan Penggabungan Feature Hasil,” vol. 1, no. 2, 2015.

[25] A. Handayani, A. Jamal, and A. A. Septiandri, “Evaluasi Tiga Jenis Algoritme Berbasis Pembelajaran Mesin untuk Klasifikasi Jenis Tumor Payudara,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 6, no. 4, pp. 394–403, 2017.

[26] V. K. Putri and F. I. Kurniadi, “Klasifikasi Diabetes Menggunakan Model Pembelajaran Ensemble Blending,” J. Ultim., vol. 10, no. 1, pp. 11–15, 2018.

(19)