Implementasi Algoritma SVM Dan Decision Tree Pada Sistem Diagnosa Penyakit Berdasarkan Gejala
DOI:
https://doi.org/10.36423/index.v7i1.2098Keywords:
Chatbot Kesehatan, Decision Tree, Support Vector Machine (SVM), Diagnosis Penyakit, Pencegahan PenyakitAbstract
Permasalahan dalam dunia kesehatan, terutama di daerah terpencil, adalah kurangnya akses cepat terhadap diagnosis awal penyakit. Banyak orang kesulitan mengenali gejala penyakit dan langkah pencegahan yang tepat sebelum berkonsultasi dengan dokter. Untuk mengatasi masalah ini, penelitian ini mengembangkan chatbot kesehatan berbasis kecerdasan buatan yang mampu mendiagnosis penyakit berdasarkan gejala yang dimasukkan oleh pengguna.
Metode yang digunakan dalam penelitian ini melibatkan algoritma Decision Tree dan Support Vector Machine (SVM) untuk klasifikasi penyakit. Data pelatihan dan pengujian diambil dari dataset gejala dan prognosis yang relevan. Sistem ini dilengkapi dengan tiga komponen utama: (1) kamus gejala dan tingkat keparahan, (2) deskripsi penyakit, dan (3) langkah-langkah pencegahan. Algoritma Decision Tree digunakan untuk memberikan diagnosis awal berdasarkan pola gejala, sementara SVM digunakan untuk validasi hasil diagnosis.
Hasil penelitian menunjukkan bahwa model memiliki tingkat akurasi yang tinggi dalam mendiagnosis penyakit, dengan validasi silang menunjukkan nilai rata-rata akurasi di atas 80%. Selain memberikan diagnosis, chatbot ini juga memberikan rekomendasi pencegahan dan informasi deskriptif tentang penyakit yang teridentifikasi. Dengan fitur ini
References
C. Cortes and V. Vapnik, “Support-Vector Networks,” Machine Learning, vol. 20, no. 3, pp. 273–297, 1995.
Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA: MIT Press, 2016.
L. Indraswari, “Sistem Diagnosa Penyakit Berbasis Gejala Menggunakan Metode Machine Learning,” Jurnal Informatika Medis, vol. 8, no. 1, pp. 45–56, 2020.
R. Kohavi, “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection,” in Proc. Int. Joint Conf. Artif. Intell., 1995.
T. M. Mitchell, Machine Learning. New York, NY: McGraw-Hill, 1997.
D. M. W. Powers, “Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation,” J. Mach. Learn. Technol., vol. 2, no. 1, pp. 37–63, 2011.
J. R. Quinlan, “Induction of Decision Trees,” Machine Learning, vol. 1, no. 1, pp. 81–106, 1986.
S. R. Safavian and D. Landgrebe, “A Survey of Decision Tree Classifier Methodology,” IEEE Trans. Syst., Man, Cybern., vol. 21, no. 3, pp. 660–674, 1991.
B. A. Shawar and E. Atwell, “Chatbots: Are They Really Useful?,” LDV-Forum, vol. 22, no. 1, pp. 29–49, 2007.
V. Vapnik, Statistical Learning Theory. New York, NY: Wiley, 1998.
T. Zhang and Z. Zhou, “Learning from Incomplete Data with SVM in Biomedical Applications,” IEEE Trans. Neural Netw., vol. 16, no. 2, pp. 396–400, 2004.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Ardhya Indra Rajasa; Abdillah Riyansyah Putra, Azis
This work is licensed under a Creative Commons Attribution 4.0 International License.
