Komparasi Support Vector Machine dengan Logistic Regression terhadap klasifikasi pada data asma
DOI:
https://doi.org/10.24246/juses.v9i1p1-8Keywords:
Support Vector Machine, Logistic Regression, Klasifikasi, Akurasi, SNPAbstract
Single Nucleotide Polymorphisms (SNP) atau Polimorfisme Nukleotida Tunggal merupakan salah satu jenis variasi genetik yang paling umum pada genom manusia. Salah satu contoh data SNP adalah data asma yang diperoleh dari paket program R yaitu SNPassoc. Penyakit asma diantaranya dipengaruhi oleh kondisi genetik manusia. Untuk melihat pengaruh SNP pada genetik manusia dapat dilakukan klasifikasi yang merupakan sebuah proses untuk memisahkan kelas data satu dengan yang lainnya. Penelitian ini bertujuan membandingkan kinerja (performance) metode Support Vector Machine (SVM) dan Logistic Regression (LR) untuk klasifikasi terkena penyakit asma atau tidak pada data asma. Empat statistik digunakan guna melihat tingkat kebaikan metode atau kinerja dari metode yaitu akurasi (accuracy), presisi (precision), recall, dan F1-Score. Pada proporsi data uji 20%, metode SVM lebih unggul dengan akurasi, presisi, recall, dan F1-Score sebesar 78,76%, 78,85%, 100%, 88,12% dibandingkan metode LR dengan hasil 77,09%, 79,34%, 96,09%, 78,14%. Demikian juga untuk proporsi data uji yang lain, memberikan hasil yang analog. Berdasarkan hasil yang diperoleh dapat disimpulkan bahwa pada kasus ini metode SVM cenderung lebih baik dari pada metode LR.
Downloads
References
Arismendi, E., Ribo, P., García, A., Torrego, A., Bobolea, I., Casas-Saucedo, R., Palomino, R., Picado, C., Munoz-Cano, R., & Valero, A. (2024). Asthma control according to GINA 2023: Does changing the criteria improve asthma control? Journal of Clinical Medicine, 13(22), 6646. https://doi.org/10.3390/jcm13226646
Arora, A., Lin, J.-J., Gasperian, A., Maldjian, J., Stein, J., Kahana, M., & Lega, B. (2018). Comparison of logistic regression, support vector machines, and deep learning classifiers for predicting memory encoding success using human intracranial EEG recordings. Journal of Neural Engineering, 15(6). https://doi.org/10.1088/1741-2552/aae131
Baihaqi, K. A., Setyawan, I., Manongga, D., Purnomo, H. D., Hendry, H., Fauzi, A., & Hananto, A. (2023). A comparison Support Vector Machine, Logistic Regression and Naive Bayes for classification sentimen analisys user mobile app. International Journal of Artificial Intelligence Research, 7(1), 64–71. https://doi.org/10.29099/ijair.v7i1.962
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/bf00994018
Erlin, Marlim, Y. N., Junadhi, Suryati, L., & Agustina, N. (2022). Deteksi dini penyakit diabetes menggunakan Machine Learning dengan algoritma Logistic Regression. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 11(2), 88–96. https://doi.org/10.22146/jnteti.v11i2.3586
Ferdowsi, M., Kwan, B. H., Tan, M. P., Saedon, N. I., Subramaniam, S., Hashim, N. F. I. A., Nasir, S. S. M. Z., Chee, K. H., & Goh, C. H. (2024). Classification of vasovagal syncope from physiological signals on tilt table testing. BioMedical Engineering OnLine 2024 23:1, 23(1), 37. https://doi.org/10.1186/s12938-024-01229-9
Firdausanti, N. A., Ningrum, R. A., & Qomariyah, S. (2022). Comparisons of Logistic Regression and Support Vector Machines in classification of echocardiogram dataset. Inferensi, 5(2), 85–90. https://doi.org/10.12962/j27213862.v5i2.14121
Gusti, K. W. (2023). Perbandingan metode Support Vector Machine dan Logistic Regression untuk klasifikasi bencana alam. Informatik : Jurnal Ilmu Komputer, 19(2), 134–140. https://doi.org/10.52958/iftk.v19i2.6355
Ilham, M., & Gumilang, F. (2023). Sentiment analysis kualitas pelayanan maskapai penerbangan. Jurnal Siliwangi Seri Sains dan Teknologi, 9(2), 38–43.
Osei-Nkwantabisa, A. S., & Ntumy, R. (2024). Classification and prediction of heart diseases using machine learning algorithms. https://doi.org/10.48550/arXiv.2409.03697
Permatasari, D., & Yanti, B. (2020). Perbedaan diagnosis asma, penyakit paru obstruktif kronik dan asthma-COPD overlap syndrome. Jurnal Kedokteran Syiah Kuala, 20(3). https://doi.org/10.24815/jks.v20i3.18640
Pramakrisna, F. D., Adhinata, F. D., Annisa, N., & Tanjung, F. (2022). Aplikasi klasifikasi SMS berbasis web menggunakan algoritma Logistic Regression. Teknika, 11(2), 90–97. https://doi.org/10.34148/teknika.v11i2.466
Setiawan, A. (2022). Perbandingan penggunaan jarak Manhattan, jarak Euclid, dan jarak Minkowski dalam klasifikasi menggunakan metode KNN pada data Iris. Jurnal Sains Dan Edukasi Sains, 5(1), 28–37. https://doi.org/10.24246/juses.v5i1p28-37
Sitompul, K. P. J., Pratama, A. R., & Baihaqi, K. A. (2023). Komparasi algoritma Naive Bayes, Support Vector Machine, dan Logistic Regression pada analisis sentimen pengguna aplikasi transportasi online. Kumpulan Jurnal Ilmu Kompute, 10(1), 27–38.
Xia, Z., Wang, Y., Liu, F., Shu, H., & Huang, P. (2022). Association between TNF-α-308, +489, −238 polymorphism, and COPD susceptibility: An updated meta-analysis and trial sequential analysis. Frontiers in Genetics, 12, 772032. https://doi.org/10.3389/fgene.2021.772032
Yang, Z., Wang, J., & Zhu, Y. (2022). Few-Shot classification with contrastive learning. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): 13680 LNCS. Springer Science and Business Media Deutschland GmbH. https://doi.org/10.48550/arXiv.2209.08224
Zhang, L., Pozsgai, E., Song, Y., Macharia, J., Alfatafta, H., Zheng, J., Li, Z., Liu, H., & Kiss, I. (2023). The relationship between single nucleotide polymorphisms and skin cancer susceptibility: A systematic review and network meta-analysis. Frontiers in Oncology, 13, 1094309. https://doi.org/10.3389/fonc.2023.1094309
Zhao, J., Wan, R., & Miao, D. (2024). Conflict analysis triggered by three-way decision and Pythagorean fuzzy rough set. International Journal of Computational Intelligence Systems 2024 17:1, 17(1), 17. https://doi.org/10.1007/s44196-023-00378-4
Zhu, X., Li, J., Liu, Y., Ma, C., & Wang, W. (2024). A survey on model compression for large language models. Transactions of the Association for Computational Linguistics, 12, 1556–1577. https://doi.org/10.1162/tacl_a_00704
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Sains dan Edukasi Sains
This work is licensed under a Creative Commons Attribution 4.0 International License.
