Fakultas Ilmu Komputer
Universitas Brawijaya
2919
Implementasi Metode
Binary Decision Tree Support Vector Machine
(BDTSVM) untuk Klasifikasi Penyakit Gigi dan Mulut
(Studi Kasus: Puskesmas Dinoyo Malang)
Nindy Deka Nivani1, Muhammad Tanzil Furqon2, Randy Cahya Wihandika3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1nindydeka@gmail.com, 2m.tanzil.furqon@ub.ac.id, 3rendicahya@ub.ac.id
Abstrak
Gigi dan mulut merupakan gerbang masuknya kuman dan bakteri yang dapat mengganggu kesehatan. Keluhan terhadap penyakit gigi dan mulut banyak sekali dikeluhkan oleh sebagian besar masyarakat di Indonesia, hal ini dikuatkan dengan fakta yang didapat dari data PDGI (Persatuan Dokter Gigi Indonesia) yang menyebutkan bahwa 87% dari masyarakat Indonesia menderita sakit gigi dan diantaranya tidak memeriksakan giginya ke dokter. Melihat hal tersebut dokter gigi mempunyai peran penting dalam menentukan klasifikasi penyakit gigi dan mulut yang tepat agar pasien dapat segera terobati penyakit yang sedang dideritanya. Penelitian ini mengimplementasikan metode Binary Decision Tree Support Vector Machine (BDTSVM) untuk membantu mengklasifikasikan penyakit gigi dan mulut. Metode Binary Decision Tree digunakan untuk pembuatan pohon biner dengan tujuan memisahkan kelas ke dalam 2 kelompok yaitu positif dan negatif. Sedangkan metode Support Vector Machine digunakan untuk proses klasifikasi. Pada penelitian ini digunakan 4 macam pengujian yaitu pengujian terhadap iterasi maksimal, parameter lambda, parameter gamma, dan parameter complexity.
Hasil yang didapat dari penelitian ini adalah hasil klasifikasi penyakit gigi dan mulut dengan 6 kelas penyakit. Berdasarkan hasil pengujian yang telah dilakukan diperoleh akurasi rata-rata sebesar 94,28% dengan menggunakan nilai parameter lambda = 0,5, parameter complexity = 0,1, parameter gamma = 0,01 dan iterasi maksimal = 5
Kata kunci: penyakit gigi dan mulut, klasifikasi, Binary Decision Tree, Support Vector Machine
Abstract
Teeth and mouth are gates for entry of germs and bacteria that can interfere with health. Complaints against dental and mouth disease are mostly complained by most people in Indonesia, this is corroborated by the fact obtained data from PDGI (Persatuan Dokter Gigi Indonesia) which states that 87% of the people of Indonesia suffer from toothache and among them do not check his teeth to the doctor . Seeing this dentist has an important role in determining the right classification of dental and oral diseases so that patients can immediately treat the disease that is suffering. This research implements the method of Binary Decision Tree Support Vector Machine (BDTSVM) to help classify dental and oral diseases. The Binary Decision Tree method is used to construct binary trees in order to separate classes into two groups, positive and negative. While the Support Vector Machine method is used for the classification process. In this study used 4 kinds of testing that is the test of maximum iteration, lambda parameters, gamma parameters, and complexity parameters. The results obtained from this research is the classification of dental and mouth disease with 6 classes of diseases. Based on the results of the tests that have been done, the average accuracy of 94.28% using the parameter values lambda = 0.5, parameter complexity = 0.1, parameter gamma = 0.01 and maximum iteration = 5
Keywords: Dental and mouth disease, classification, Binary Decision Tree, Support Vector Machine
1. PENDAHULUAN
Gigi dan mulut merupakan aspek penting yang sering diperhatikan oleh kebanyakan
menimbulkan masalah bahkan dapat memicu timbulnya penyakit lain yang membahayakan organ-organ selain gigi dan mulut seperti sakit kepala, jantung, stroke, diabetes, bahkan kelahiran premature.
Keluhan terhadap penyakit gigi dan mulut banyak sekali dialami dan dikeluhkan oleh sebagian besar masyarakat di Indonesia. Hal ini didasari dari hasil penelitian yang dilakukan oleh Fakultas Kedokteran Gigi Universitas Indonesia yang menyebutkan terdapat 80% orang di Indonesia mempunyai gigi berlubang (Dechacare, 2008). Penyataan tersebut juga dikuatkan oleh fakta yang didapat dari data PDGI (Persatuan Dokter Gigi Indonesia) yang menyebukan bahwa 87% dari masyarakat Indonesia menderita sakit gigi dan diantaranya tidak memeriksakan giginya ke dokter.
Melihat persentase dari data yang cukup besar tentang masalah gigi dan mulut menjadikan spekulasi bahwa pengetahuan masyarakat terhadap kesehatan gigi dan mulut masih kurang. Serta sumber informasi yang membahas langsung tentang pencegahan penyakit gigi dan mulut juga sangat sedikit ditemukan, hal ini membuat masyarakat sangat rentan untuk mengetahui penyakit gigi dan mulut secara dini sehingga memperlambat penyembuhan dan pengobatan pada penyakitnya (Health, 2015). Melihat hal tersebut dokter gigi mempunyai peran penting dalam menentukan klasifikasi penyakit gigi dan mulut yang tepat agar pasien dapat segera terobati penyakit yang sedang dideritanya.
Untuk membantu klasifikasi penyakit gigi dan mulut dapat menggunakan beberapa metode, salah satunya adalah menggunakan metode
Binary Decision Tree Support Vector Machine (BDTSVM). Metode ini dipilih karena mempunyai keunggulan yaitu mempunyai tingkat error rate dan training time (waktu komputasi) yang lebih baik jika dibandingkan dengan metode klasifikasi multi-class yang lain. Sehingga metode ini dapat menghasilkan akurasi dan tingkat efektifitas waktu yang lebih baik (Chorbev,2008).
Binary Decision Tree Support Vector Machine (BDTSVM) telah digunakan dalam penelitian sebelumnya untuk mengklasifikasikan kondisi detak jantung. Pada penelitian tersebut menggunakan data hasil EKG (Elektrokardiografi), pada data tersebut terdiri dari 4 kelas penyakit jantung. Dari data dan kelas tersebut kemudian diklasifikasikan menggunakan metode Binary Decision Tree
Support Vector Machine (BDTSVM). Hasil pengujian menunjukkan mendapatkan hasil klasifikasi dengan rata-rata akurasi tertinggi sebesar 75%.
Berdasarkan hasil analisis dari penelitian sebelumnya, maka solusi yang dipilih adalah merupakan metode Binary Decision Tree Support Vector Machine sebagai metode untuk mengklasifikasikan penyakit gigi dan mulut. Data yang digunakan yaitu data gejala penyakit gigi dan mulut yang diperoleh dari Puskesmas Dinoyo Malang. Dengan penerapan metode BDTSVM diharapkan dapat menghasilkan akurasi yang baik untuk klasifikasi penyakit gigi dan mulut.
2. PENYAKIT GIGI DAN MULUT
Macam-macam penyakit gigi dan mulut yang sering dijumpai dan dikeluhkan oleh pasien berdasarkan data pada Puskesmas Dinoyo Malang meliputi:
a. Pulpitis
Pulpitis merupakan peradangan pada pulpa gigi (struktur gigi terdalam dibawah lapisan
dentin yang mengandung syaraf dan pembuluh darah) yang dapat menimbulkan rasa nyeri pada gigi. Pulpitis disebabkan oleh pembusukan pada gigi dan cedera pada gigi. Pulpitis terjadi dikarenakan terbungkusnya pulpa dalam dinding yang keras sehingga tidak mempunyai ruang untuk menampung bengkak pada gigi sehingga mengakibatkan peradangan.
b. Periodontitis
Periodontitis merupakan infeksi gusi yang serius dan dapat merusak jaringan lunak dan tulang penyangga gigi. Jaringan di sekitar gigi dan mulut atau periodonsium dapat berpengaruh apabila terkena penyakit periodontitis. Kurangnya kebersihan mulut dan adanya plak pada gigi dapat mengakibatkan terjadinya penyakit ini. Gejala periodontitis berupa gusi bengkak, bau mulut, gusi merah terang atau keunguan, gusi yang terdorong maju, jarak yang timbul di antara gigi, gigi tanggal, dan perubahan pada bentuk gigi.
c. Gingivitis
Gingivitis terdiri dari beberapa macam yaitu
gingivitis deskuamativa, gingivitis simpleks,
gingivostomatitis herpetic akut, dan gingivitis
pada leukimia. Gejala gingivitis berupa radang pada gusi, gusi berwarna kemerahan, gusi membengkak, dan mudah keluar darah.
d. Karies Gigi
Karies gigi merupakan penyakit infeksi pada gigi. Penyakit ini lebih sering dikenal oleh masyarakat sebagai gigi berlubang, umumnya penderita gigi berlubang sering mengabaikannya dan baru memeriksakan penyakitnya dalam keadaan yang sudah parah. Karies berawal dengan timbulnya bercak cokelat atau putih yang kemudian berkembang menjadi lubang cokelat (Pratiwi, 2015).
e. Deposits
Deposits atau plak gigi adalah lapisan lunak dan lengket yang menempel pada permukaan gigi. Plak dapat berasal setelah menyikat gigi, di dalam plak terkandung protein dan bakteri (Pratiwi, 2013). Plak terdiri dari sisa makanan yang halus, zat perekat dan kuman yang tersisa dari menyikat gigi yang tidak benar. Plak dapat mengeras apabila terkena kalsium fosfor, dan mineral lainnya dan kemudian menjadi karang gigi.
f. Nekrosis Pulpa
Nekrosis pulpa adalah kematian pada pulpa gigi dan jaringan pulpa yang tertutup oleh email
dan dentin yang kaku sehingga tidak mempunyai sirkulasi darah kolateral. Apabila jaringan pada ruang pulpa meningkat maka mengakibatkan pembuluh darah kolaps sehingga dapat terjadi
nekrosis likuifaksi.
3. BINARY DECISION TREE SUPPORT VECTOR MACHINE (BDTSVM)
BDTSVM merupakan metode klasifikasi yang mempunyai banyak kelas menggunakan pohon biner. Konsep dari metode ini adalah membagi N kelas yang ada menjadi 2 kelompok besar kemudian membagi dan mengelompokkannya apakah masuk pada anak kanan pohon atau anak kiri pohon biner. Pembagian kelas dilakukan secara rekursif, hal ini bertujuan agar satu node hanya mempunyai satu kelas yang merepresentasikan kategori kelas tersebut. Kemudian kelas yang sudah dibagi menjadi anak pohon kanan dan kiri di proses menggunakan SVM untuk menentukan data sesuai kelompok pada kelasnya. Kelebihan
metode ini adalah tingginya efektifitas komputasi dan tingkat akurasi.
Prinsip metode BDTSVM adalah membagi kelas ke dalam dua kelompok (positif dan negatif) kemudian setiap simpul pohon diuraikan dan ditentukan kelompok mana yang belum diketahui kelasnya, kemudian kelompok tersebut diproses dan ditempatkan sesuai dengan kelompokknya (Chorbev, E., et all). Contoh pembentukan pohon biner pada metode BDTSVM ditunjukkan pada Gambar 1.
Gambar 1. Pohon Klasifikasi BDTSVM Sumber: (Chorbev, I., et all)
Untuk pembentukan pohon biner dilakukan beberapa proses perhitungan meliputi perhitungan gravity center, Euclideandistance, dan binary decision tree.
3.1. Binary Decision Tree
Binary Decision Tree merupakan proses yang dilakukan untuk pembentukam pohon biner yang bertujuan untuk membagi kelas ke dalam level positif dan negatif. Proses Binary Decision Tree meliputi:
a. Gravity Center
Gravity center atau pusat gravitasi merupakan titik pusat dari setiap kelas. Untuk memperoleh titik pusat dilakukan perhitungan dengan mencari rata-rata dari setiap fitur. Persamaan untuk menghitung rata-rata setiap kelas ditunjukkan oleh Persamaan 1.
𝐺𝐶𝑐𝑖𝑓𝑗= ∑ = 𝑛𝑚 1 𝑋𝑚𝑛 (1)
Keterangan:
𝐺𝐶𝑐𝑖𝑓𝑗 = Gravity center kelas fitur ke-i fitur ke-j,
dimana i = 1,..,4 dan j = 1,..,4.
𝑋𝑚 = Nilai normalisasi data ke-m pada kelas
b. Euclidean Distance
Euclidean distance adalah jarak yang memisahkan antara dua buah kelas. Persamaan untuk menghitung Euclidean distance
ditujukkan oleh persamaan 2.
𝑑𝑖𝑗 = √∑𝑛𝑚=1(𝑓𝑚𝑖− 𝑓𝑚𝑗)2 (2)
Proses Binary Decision Tree merupakan tahapan untuk pembentukan pohon biner. Pembentukan pohon binernya meliputi pembagian kelas yaitu kelas positif dan negatif, dan pembentukan level. Prosesnya diawali dengan pencarian nilai maksimal dari hasil
euclidean distance, kemudian banding kelas selain kelas dengan nilai maksimal, selanjutnya adalah alokasi kelas alokasi disini bertujuan untuk menentukan label dari masing-masing kelas yaitu positif dan negatif, dimana pelabelan ini dilihat dari letak kelas apakah berada pada indeks kiri atau indeks kanan. Apabila kelas berada pada indeks kiri maka otomatis kelas tersebut berlabel positif, dan sebaliknya apabila berada pada indeks kanan maka otomatis berlabel negatif. Proses terakhir adalah proses untuk pembentukan level.
3.2. Support Vector Machine
Teori Support Vector Machine (SVM) dikembangkan oleh Vapnik, Biser dan Guyon pada tahun 1992 dan perkembangannya sangat pesat. SVM merupakan salah satu metode yang digunakan untuk klasifikasi, pengertian dari
Support Vector Machine (SVM) adalah algoritme pembelajaran yang menggunakan fungsi linier dalam ruang fitur yang berdimensi tinggi sehingga dapat mengimplementasikan
learning bias yang berasal dari teori pembelajaran statistik (Sutikno, 2007). Metode ini menggunakan prinsip binary classifier
dimana hanya dapat mengklasifikasikan suatu kelas ke dalam dua kelas yang berbeda (+1 dan -1), tujuan dari metode ini adalah untuk untuk menentukan fungsi hyperplane atau garis pemisah untuk memisahkan dua macam objek.
a. SVM Linear
Klasifikasi Support Vector Machine (SVM) linear berfungsi untuk memisahkan hyperplane
dari sebaran data. Terdapat dua kelas yang akan dipisahkan yaitu kelas positif dan kelas negatif, pada Persamaan 2.1 dibawah pemisah positif dan negatif diberikan nilai -1 untuk negatif dan 1 untuk positif. Persamaan hyperplane dapat dilihat pada Persamaan 3 dan 4 sebagai berikut:
𝒳𝑖 . 𝑤 + 𝑏 ≥ 1, 𝑢𝑛𝑡𝑢𝑘 𝑦𝑖= 1 (3)
𝒳𝑖 . 𝑤 + 𝑏 ≤ ̵1, 𝑢𝑛𝑡𝑢𝑘 𝑦𝑖= ̵1 (4)
Keterangan:
𝒳𝑖 = data ke-i.
W = bobot support vector atau vector yang tegak lurus terhadap hyperplane. b = nilai bias.
yi = kelas data ke-i.
Dari Persamaan 3 dan 4 diatas dapat digabungkan untuk mendapatkan hyperplane. Persamaannya ditunjukkan pada Persamaan 5 sebagai berikut (Pratama, 2016).
yi(𝒳𝑖. 𝑤 + 𝑏) ̵1 ≥ 0, untuk i = 1,2,.,n (5) dalam feature space sehingga terdapat bidang pemisah yang dapat memisahkan data dengan kelasnya.
Untuk memecahkan permasalahan non-linear dapat diselesaikan dengan mentransfromasikan dimensi yang tinggi ke dalam permasalahan linear. Fungsi kernel dapat digunakan dengan didefinisikan menjadi kernel trick. Pengertian kernel trick adalah untuk memetakan fungsi kernel tanpa harus mengetahui wujud dari fungsi non-linear (Agustiani, 2016). Perhitungan kernel trick
ditunjukkan dalam Persamaan 6
Selain Persamaan 6 dapat digunakan model
quadratic problem untuk mendapatkan
menggunakan Persamaan klasifikasi non-linier ditunjukkan pada Persamaan 7.
𝑚𝑖𝑛 ∑𝑛𝑖=1𝛼𝑖− 12 ∑𝑖,𝑗=1𝑛 𝛼𝑖.𝑦𝑖. 𝐾(𝑥𝑖, 𝑥𝑗) (7)
Keterangan:
𝛼𝑖 = alfa ke-i.
𝑦𝑖 = kelas sampel data (positif (+1) dan
negatif (-1)).
𝐾(𝑥𝑖,𝑥𝑗) = fungsi kernel.
Dengan batasan sebagai berikut
∑𝑛𝑖=0𝛼𝑖𝑦𝑖= 0,0 ≤ 𝛼𝑖≤ 𝐶, 𝑑𝑎𝑛 𝑖 = 1,2, . , 𝑛 (8)
Keterangan:
C = Nilai complexity.
Nilai K(x, y) adalah pemetaan fungsi linier pada fungsi kernel pada feature space
(Agustiani, 2016). Fungsi keputusan klasifikasi optimal ditunjukkan pada Persamaan 9.
𝑓(𝑥) = ∑𝑛𝑖=0𝛼𝑖.𝑦𝑖. 𝐾(𝑥𝑖, 𝑥𝑗) + 𝑏 (9)
Terdapat beberapa fungsi kernel yang sering digunakan untuk menyelesaikan permasalahan non-linear, beberapa Persamaannya ditunjukkan sebagai berikut: 1. Kernel Linear ditunjukkan pada Persamaan
10.
𝐾(𝑥, 𝑦) = 𝑥. 𝑦 (10)
2. Kernel Polynomial ditunjukkan pada Persamaan 11.
𝐾(𝑥, 𝑦) = (𝑥. 𝑦)𝑑 (11)
3. Kernel Gaussian RBF ditunjukkan pada Persamaan 12.
𝐾(𝑥, 𝑦) = exp (∥𝑥−𝑦∥2𝜎22) (12)
4. Kernel Sigmoid ditunjukkan pada Persamaan 13.
𝐾(𝑥, 𝑦) = tan (𝜎(𝑥, 𝑦) + 𝑐) (13)
4. METODE PENELITIAN
Metode penelitian yang dilakukan untuk klasifikasi penyakit gigi dan mulut menggunakan metode Binary Decision Tree Support Vector Machine (BDTSVM) secara umum ditunjukkan pada Gambar 2.
Gambar 2. Tahapan Penelitian
Studi literatur yang digunakan berupa referensi yang menunjang penelitian ini yaitu seputar gejala penyakit gigi dan mulut serta metode BDTSVM. Pada proses pengumpulan data, peneliti menggunakan data penyakit gigi dan mulut yang diperoleh dari Puskesmas Dinoyo Malang, total data sebanyak 150 dengan 18 gejala dan 6 kelas penyakit gigi dan mulut yaitu pulpitis, gingivitis, karies gigi, periodontitis, deposits, dan nekrosis pulpa.
5. PERANCANGAN SISTEM
Gambar 3. Diagram Alir BDTSVM
Data yang digunakan sebagai masukan adalah data gejala penyakit gigi dan mulut, kemudian kelas pada data akan dipisahkan kedalam bentuk label yaitu label positif dan negatif menggunakan metode binary decision tree. Setelah semua kelas terbentuk label langkah selanjutnya adalah klasifikasi menggunakan metode Support Vector Machine.
Hasil yang dihasilkan pada proses ini berupa hasil klasifikasi 6 penyakit gigi dan mulut.
6. PENGUJIAN DAN ANALISIS
a. Pengujian Iterasi Maksimal
Pengujian terhadap nilai iterasi maksimal bertujuan untuk mendapatkan nilai iterasi maksimal terbaik untuk menghasilkan tingkat akurasi terbaik. Nilai iterasi maksimal yang digunakan dalam pengujian ini menggunakan nilai iterasi maksimal 5, 10, 50, 100, dan 150 dengan menggunakan nilai parameter SVM yaitu parameter lambda (λ) = 0,5, parameter gamma (𝛾) = 0,01, complexity = 0,1, dan iterasi maksimal = 5. Grafik pengujian akurasi maksimal ditunjukkan oleh Gambar 4.
Gambar 4. Grafik hasil pengujian iterasi maksimal
Berdasarkan hasil pengujian pada Gambar 4 ditunjukkan bahwa rata-rata akurasi paling stabil berada pada akurasi 94,28%. Untuk pengujian pada iterasi ke 10 dan 50 mengalami penurunan akurasi, menurunnya akurasi terjadi karena rasio support vector yang dihasilkan tidak seimbang dan mengakibatkan beberapa data terletak jauh dari bidang pemisah (hyperplane) yang ideal. Berdasarkan pengujian ini dapat disimpulkan bahwa semakin besar jumlah iterasi maksimal tidak menjamin menghasilkan akurasi yang tinggi.
b. Pengujian Parameter Lambda(λ)
Pengujian terhadap parameter lambda
digunakan untuk melihat pada nilai lambda
berapa yang menghasilkan akurasi terbaik. Nilai
lambda yang digunakan dalam pengujian ini menggunakan nilai lambda(λ) 0,5, 0,7, 10, 100,
1000 dengan menggunakan nilai parameter SVM yaitu parameter lambda (λ) = 0,5,
parameter gamma (𝛾) = 0,01, complexity = 0,1, dan iterasi maksimal = 5. Grafik pengujian parameter lambda ditunjukkan oleh Gambar 5.
Gambar 5. Grafik hasil pengujian lambda
Berdasarkan hasil pengujian pada Gambar 5 ditunjukkan bahwa tingkat akurasi pengujian
lambda menunjukkan bahwa akurasi terbaik nilai lambda berada pada parameter 0,5 dimana menghasilkan akurasi paling optimal yaitu 94,28%. Melihat pada grafik bahwa semakin besar nilai lambda akurasi yang dihasilkan cenderung menurun, hal ini dikarenakan nilai
lambda yang semakin besar akan mempengaruhi lebar margin pada hyperplane menjadi semakin membesar, sehingga sistem akan sulit untuk melakukan klasifikasi dan mengakibatkan akurasi cenderung menurun.
c. Pengujian Parameter Complexity
Pengujian terhadap parameter complexity
yang menghasilkan tingkat akurasi yang tinggi pada proses sequential training SVM. Nilai
complexity yang digunakan dalam pengujian ini yaitu 0,0001, 0,001, 0,01, 0,1, 1 dengan menggunakan nilai parameter SVM yaitu parameter lambda(λ) = 0,5, parameter gamma
(𝛾) = 0,01, complexity = 0,1, dan iterasi maksimal = 5. Grafik pengujian parameter
complexity ditunjukkan oleh Gambar 6.
Gambar 6. Grafik hasil pengujian lambda
Berdasarkan hasil pengujian pada Gambar 6 ditunjukkan bahwa akurasi rata-rata paling optimal pada pengujian complexity sebesar 94,17% dengan parameter C = 0,1 dan 1. Pengujian terhadap nilai complexity bertujuan untuk memperkecil nilai error pada proses
training. Dimana pada saat nilai C mendekati nilai 0 mengakibatkan lebar margin semakin menjauhi batas pemisah pada hyperplane, hal ini mengakibatkan berkurangnya tingkat akurasi pada proses training dan menyebabkan data
testing tidak dapat diklasifikasikan dengan baik sehingga membuat akurasi cenderung menurun. Sedangkan untuk nilai C yang semakin besar mengakibatkan waktu komputasi semakin lama tetapi dapat menghasilkan nilai akurasi yang lebih baik.
d. Pengujian Parameter Gamma
Pengujian terhadap parameter gamma
digunakan untuk mendapatkan nilai gamma
terbaik yang dapat menghasilkan tingkat akurasi yang tinggi pada proses sequential training
SVM. Nilai gamma yang digunakan dalam pengujian ini yaitu 0,001, 0,01, 0,1, 1, dan 10 dengan menggunakan nilai parameter SVM yaitu parameter lambda (λ) = 0,5, parameter gamma (𝛾) = 0,01, complexity = 0,1, dan iterasi maksimal = 5. Grafik pengujian parameter
gamma ditunjukkan oleh Gambar 7.
Gambar 7.Grafik pengujian parameter gamma
Berdasarkan hasil pengujian pada Gambar 7 ditunjukkan bahwa rata-rata akurasi parameter
gamma yang paling optimal berada pada akurasi 95,71% dengan parameter gamma 0,01 dan 0,001. Hasil pengujian pada grafik menunjukkan bahwa semakin besar nilai parameter gamma
akurasi yang dihasilkan cenderung semakin menurun hal ini disebabkan nilai gamma yang besar akan membuat proses learning rate
menghasilkan nilai yangsemakinbesar sehingga berpengaruh terhadap ketelitian sistem yang semakin berkurang sehingga mengakibatkan akurasi yang cenderung menurun
.
e. Analisis Tingkat Akurasi
Hasil analisis pengujian terhadap beberapa parameter seperti lambda, gamma, epsilon,
complexity dan iterasi maksimal menunjukkan bahwa pemilihan nilai parameter yang digunakan pada proses SVM harus tepat, hal ini dikarenakan nilai parameter yang digunakan sangat berpengaruh terhadap nilai akurasi. Pada proses pengujian yang dilakukan, akurasi terbaik diperoleh dengan menggunakan nilai iterasi maksimal = 5, parameter lambda = 0,5,
complexity = 0,1, dan gamma 0,001.
7. KESIMPULAN
Berdasarkan serangkaian tahapan dan pengujian yang telah dilakukan pada penelitian impementasi metode Binary Decision Tree Support Vector Machine (BDTSVM), maka diperoleh beberapa kesimpulan sebagai berikut: 1. Impementasi Metode Binary Decision Tree
Support Vector Machine (BDTSVM) untuk klasifikasi penyakit gigi dan mulut (Studi Kasus: Puskesmas Dinoyo Malang) menghasilkan akurasi rata-rata terbaik sebesar 94,28% dengan menggunakan perbandingan data training dan data testing
2. Rata-rata akurasi terbaik menggunakan kombinasi nilai parameter lambda(λ) = 0,5,
parameter complexity (C) = 0,1, parameter
gamma (𝛾) = 0,01 dan iterasi maksimal = 5.
DAFTAR PUSTAKA
Agustiani, A., 2016. Klasifikasi Penyakit Karies Gigi Pada Citra Dental Panoramic
menggunakan Metode Binary Decision Tree Support Vector Machine, Skripsi, Universitas Braijaya Malang.
Cholisudin, I., Indriyati, Kurniati, M., Arwani, I., 2014. Clasification of Campus E-Complaint Document using Directed Acyclic Graph Multiclass SVM Based onnn Analytic Hierarchy Process, Universitas Brawijaya, Malang.
Chorbev, I., Mazarov, G., Gjorgjevikj, D., 2008.
A Multi-class SVM Classifier Utilizing Binary Decision Tree. Faculty of Electrial Engineering and Information Technology.
Dechacare, 2008. Sakit Gigi Bisa Picu Penyakit Kronis. Tersedia di:< http://dechacare.com/Sakit-Gigi-Bisa-Picu-Penyakit-Kronis-I231-1.html > [Diakses 17 Maret 2017].
Dwiatmoko, T., 2016. Implementasi Learning Vector Quantization (LVQ) untuk Klasifikasi Tingkat Resiko Terkena Penyakit Stroke, Skripsi, Universitas Brawijaya Malang.
Ferdyanto, G.R., 2016. Sistem Pakar untuk Mendiagnosa Penyakit Gigi dan Mulut dengan Metode Certainy Factor berbasis Web, Skripsi, Universitas Brawijaya Malang.
Health, 2015. Seberapa sering Harus ke Dokter Gigi. Tersedia di:< http://www.1health.id/id/article/category/s ehat-a-z/seberapa-sering-harus-ke-dokter-gigi.html> [Diakses 19 Februari 2017]
Houwing, B., Dirks B., 1993. Ilmu Kedokteran Gigi Pencegahan. Fakultas Kedokteran Gigi Universitas Gajahmada.
Islamiah, N., 2016. Klasifikasi Penyakit Gigi dan Mulut Menggunakan Metode Learning Vector Quantization (LQV), Skripsi, Universitas Brawijaya Malang.
Insanilah, S.M., 2015. Implementasi Algoritme
Support Vector Machine (SVM) untuk
Penentuan Potensi Bencana Tsunami Akibat Gempa Bumi, Skripsi, Universitas Brawijaya Malang.
Kusnawi., 2007. Pengantar Solusi Data Mining. STMIK AMIKOM Yogyakarta.
Kementerian Kesehatan RI, 2012. Pedoman Pemeliharaan Kesehatan Gigi dan Mulut Ibu Hamil dan Anak Usia Balita Bagi Tenaga Kesehatan di Fasilias Pelayanan Kesehatan. ISBN.
Kementerian Kesehatan RI,2012. Modul Pelatihan Identifikasi Lesi Rongga Mulut dan Penatalaksanaan Kesehatan Gigi dan Mulut pada ODHA Bagi Tenaga Kerja Kesehatan Gigi di Fasilitas Pelayanan Kesehatan. ISBN.
Kementerian Kesehatan RI,2012. Buku Panduan Pelatihan Kader Kesehatan Gigi dan Mulut di Masyarakat. ISBN.
Munif, M.S., 2016. Pemodelan Sistem Pakar Diagnosis Penyakit Periodontal Pada Gigi dan Mulut Menggunakan Metode AHP-SAW, Skripsi, Universitas Brawijaya Malang.
Pratama, A., 2016. Klasifikasi Kondisi Detak Jantung Berdasarkan Hasil Pemeriksaan
Elektrokardiografi (EKG) Menggunakan
Binary Decision Tree Support Vector Machine (BDTSVM), Skripsi, Universitas Brawijaya Malang.
Rs-Triadipa., 2009. Waspadai Penyebaran Penyakit dari Gigi. Tersedia di:< http://rstriadipa.com/index.php?option=co m_content&task=view&id=86&Itemid=3> [Diakses 17 maret 2017].
Sari, R.A.N., 2016. Implementasi Metode
Support Vector Machine untuk Rekomendasi Pemilihan Terapi Dehidrasi pada Anak, Skripsi, Universitas Brawijaya Malang.
Pratiwi, Y.M.E., 2013. 45 Masalah dan Solusi Penyakit Gigi & Mulut. Andi.
Raharjo, G.S, 2015. Klasifikasi Dokumen E-Complaint Kampus menggunakan Binary Decision Tree Multi-class Support Vector Machine, Skripsi, Universitas Brawijaya.
