KOLABORASI METODE SVM DENGAN TEKNIK BOOSTING XGBOOST DALAM KLASIFIKASI PENYAKIT TIROID

Salim, Zurais (2025) KOLABORASI METODE SVM DENGAN TEKNIK BOOSTING XGBOOST DALAM KLASIFIKASI PENYAKIT TIROID. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (218kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (613kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (440kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (119kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (712kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.3860.zip Restricted to Repository staff only Download (5kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (833kB)

Abstract

Penyakit tiroid merupakan gangguan kelenjar endokrin yang umum terjadi dan dapat menimbulkan dampak serius terhadap kesehatan apabila tidak didiagnosis secara dini. Ketergantungan pada metode konvensional yang bergantung pada interpretasi subjektif tenaga medis sering kali menyebabkan kesalahan diagnosis dan keterlambatan pengobatan. Oleh karena itu, dibutuhkan pendekatan berbasis teknologi yang mampu meningkatkan akurasi dan efisiensi dalam proses klasifikasi penyakit tiroid. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit tiroid dengan mengkolaborasikan dua algoritma machine learning, yaitu Support Vector Machine (SVM) dan Extreme Gradient Boosting (XGBoost). Dataset yang digunakan merupakan data “Thyroid Disease” dari UCI Machine Learning Repository. Tahapan penelitian meliputi exploratory data analysis (EDA), preprocessing data, pemisahan data training dan testing, pelatihan model SVM, dan optimasi lebih lanjut dengan teknik boosting XGBoost. Evaluasi kinerja dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model SVM mampu mencapai akurasi 96,12%. Setelah dikolaborasikan dengan XGBoost, performa klasifikasi meningkat secara keseluruhan, terutama dalam menangani data tidak seimbang. Penelitian ini memberikan kontribusi dalam bidang teknologi kesehatan dan dapat dimanfaatkan sebagai sistem pendukung keputusan untuk membantu diagnosis penyakit tiroid. Penelitian lanjutan dapat mengeksplorasi teknik ensembel lainnya serta integrasi dengan data riwayat medis pasien secara lebih komprehensif.

Actions (login required)

View Item