Perbandingan Metode Particle Swarm Optimization dan Artificial Bee Colony pada Support Vector Machine

Abstract

Penelitian ini secara komprehensif mengkaji dan membandingkan performa klasifikasi Support Vector Machine (SVM) standar dengan dua metode optimasi metaheuristik, yaitu Particle Swarm Optimization (PSO) dan Artificial Bee Colony (ABC), pada empat dataset medis yang memiliki karakteristik berbeda, yaitu Breast Cancer, AIDS Disease, Darwin Disease, dan Parkinson Disease. Penelitian ini mencakup proses seleksi peubah berbasis proporsi (30%, 50%, 70%, dan 100%) untuk mengurangi jumlah peubah pada dataset, diikuti dengan pelatihan dan evaluasi model yang dilakukan secara berulang sebanyak 100 kali guna memastikan kestabilan hasil. Evaluasi dilakukan berdasarkan rata-rata akurasi, simpangan baku, waktu komputasi, serta analisis terhadap kondisi overlapping antar kelas dan ketidakseimbangan kelas. Hasil analisis menunjukkan bahwa PSO-SVM dan ABC-SVM memberikan peningkatan akurasi yang signifikan dibandingkan dengan SVM standar, terutama pada proporsi peubah 70% dan 100%. ABC-SVM menghasilkan performa klasifikasi tertinggi di sebagian besar skenario, namun dengan konsekuensi waktu eksekusi yang lebih lama, sedangkan PSO-SVM menunjukkan efisiensi yang lebih baik dalam hal waktu komputasi dengan akurasi yang tetap stabil. Dataset dengan tingkat overlapping dan ketidakseimbangan kelas sedang, seperti AIDS Disease dan Parkinson Disease, memperoleh peningkatan performa yang paling optimal setelah penerapan metode optimasi. Sementara itu, pada dataset dengan overlapping sangat tinggi seperti Darwin Disease, peningkatan akurasi tetap terjadi namun lebih terbatas. Meskipun demikian, metode optimasi terbukti adaptif dalam mengenali pola pada kelas minoritas dan mampu mengurangi bias klasifikasi. Penelitian ini menunjukkan bahwa penerapan metode optimasi berbasis metaheuristik dapat menjadi pendekatan yang efektif dalam meningkatkan performa klasifikasi, khususnya dalam konteks data medis yang kompleks. Selain itu, pertimbangan terhadap efisiensi waktu komputasi dan karakteristik data menjadi hal penting dalam pemilihan metode dan proporsi peubah. Penelitian ini memberikan kontribusi praktis terhadap penerapan SVM teroptimasi dalam klasifikasi medis dan membuka peluang pengembangan lanjutan dengan mengintegrasikan pendekatan hybrid dan teknik validasi yang lebih luas pada studi selanjutnya.