KOMBINASI METODE SUPPORT VECTOR MACHINE DAN BACKPROPAGATION NEURAL NETWORK UNTUK MEMPREDIKSI HASIL CT SCAN PEMBULUH DARAH

Abstract

Penelitian ini bertujuan untuk mengembangkan sebuah sistem prediksi hasil CT scan pembuluh darah dengan mengintegrasikan metode Support Vector Machine (SVM) dan Backpropagation Neural Network (BPNN). Total 1729 citra digunakan sebagai sampel dalam penelitian ini. Tiga pendekatan diterapkan secara terpisah, yaitu SVM, BPNN, dan kombinasi keduanya. Evaluasi performa dilakukan dengan membandingkan akurasi, presisi, recall, dan F1 Score dari ketiga metode. Pada peneiltian yang di lakukan oleh (Aurelia & Rustam, 2021) Model ini menggunakan CNN untuk mengolah data dua dimensi dari gambar X-ray CT dan SVM untuk mengklasifikasi data. Hasilnya menunjukkan bahwa model kombinasi CNN-SVM memiliki kinerja terbaik dengan nilai akurasi 99,17% . Dimana penelitian ini menggunakan kernel linier pada SVM, serta menggunakan activation Sigmoid yang digunakan untuk merubah input dengan rentang 0 dan 1. Selanjutnya menggunakan optimizer SGD serta learning rate 0.1. dan Hasil penelitian menunjukkan bahwa SVM mencapai akurasi sebesar 98.84%, presisi sebesar 95%, recall sebesar 100%, dan F1 Score sebesar 97%. BPNN menghasilkan akurasi sebesar 98.90%, presisi sebesar 98.89%, recall sebesar 98.90%, dan F1 Score sebesar 98.89%. Namun, pendekatan kombinasi SVM dan BPNN menunjukkan performa optimal dengan mencapai 100% pada semua metrik evaluasi, menandakan kemampuannya dalam memprediksi hasil CT scan pembuluh darah secara akurat. ini membuktikan kombinasi SVM dan BPNN memberikan Hasil positif dan dapat menjadi dasar untuk pengembangan lebih lanjut