OPTIMASI KLASIFIKASI SEL TUNGGAL PAP SMEAR MENGGUNAKAN CORRELATION BASED FEATURES SELECTION (CFS) BERBASIS C4.5 DAN NAIVE BAYES

Abstract

Abstract – Cervical cancer was the most dangerous disease and generally attacks women. Early detection through Pap Smear method was one way to prevent the desease to grow in womans cervival canal. Based on the result of Pap Smear methode, the single cell of data that known as herlev data is available. This data, then used as a reference by the experts to find the best level classification from each class of cervical cancer. The decision tree C4.5 and Naïve Bayes have proven to give the best result on 280 data trial of herlev with support by Correlation based Features Selection (CFS) optimization method. The issues raised in the present study was does CFS optimization methode that combined with the classification method of C4.5 and Naïve Bayes can provide increased the accuracy results when it faced the 917 data of herlev. The results of this study show that CFS method that combined either with C4.5 methods and naïve bayes classification accuracy was decrease when compared without using CFS method. In terms of showing that CFS can not provide the best result when if confronted with big data.

Keywords : optimization, classification, single cell of Pap Smear, Correlation based Features Selection, C4.5, Naïve Bayes

Abstrak – Kanker serviks merupakan penyakit yang sangat berbahaya dan pada umumnya menyerang kaum wanita. Deteksi sejak dini melalui metode Pap Smear merupakan salah satu cara untuk mencegah penyakit ini berkembang didalam saluran serviks wanita. Berdasarkan hasil dari metode Pap Smear, didapatkanlah data sel tunggal yang kini dikenal dengan data herlev. Data ini, kemudian dijadikan acuan dalam penelitian oleh para ahli dewasa ini untuk menemukan tingkat klasifikasi terbaik dari masing-masing kelas kanker serviks. Metode Decision tree C4.5 dan Naïve Bayes terbukti memberikan hasil yang terbaik pada ujicoba data herlev sebanyak 280 data dengan dukungan dari metode optimasi Correlation based Features Selection(CFS). Permasalahan yang diangkat pada penelitian kali ini adalah apakah metode optimasi CFS yang dikombinasikan dengan metode klasifikasi C4.5 dan Naïve Bayes akan memberikan hasil akurasi yang meningkat ketika digunakan keseluruhan data herlev sebesar 917 data. Hasil dari penelitian kali ini menunjukkan bahwa metode CFS yang dikombinasikan baik dengan metode C4.5 maupun Naïve Bayes menunjukkan penurunan hasil akurasi jika dibandingkan dengan tanpa menggunakan metode CFS. Hal ini menunjukkan bahwa metode optimasi CFS tidak dapat memberikan hasil terbaik jika dihadapkan kepada data yang berjumlah besar.

 Kata kunci : optimasi, klasifikasi, sel tunggal Pap Smear, Correlation based Features Selection,  C4.5, Naïve Bayes.