<![CDATA[Abstrak Penyakit kanker adalah salah satu penyakit yang banyak memakan korban jiwa. Pada kaum wanita, kanker payudara dan kanker serviks adalah salah satu jenis kanker yang paling banyak dijumpai. Tingginya angka korban jiwa pada kanker payudara dan kanker serviks salah satunya disebabkan oleh keterlambatannya penanganan kanker. Banyak penderita kanker yang tidak menganggap serius terhadap gejala yang ditemui dan akhirnya penanganan yang diberikan menjadi terlambat. Oleh sebab itu penelitian ini bertujuan untuk menganalisa metode pendeteksian kanker dengan cara mereduksi jumlah atribut menggunakan PCA dan SVM yang paling optimal. Penelitian ini menggunakan library python untuk membantu proses analisis menggunakan PCA dan SVM. Dataset akan diolah dengan menggunakan metode normalisasi MinMaxScaling dan standarisasi. Yang selanjutnya akan digunakan perhitungan sensitivitas dan spesifisitas untuk mencari seberapa akurat model yang dihasilkan SVM. Dengan menggunakan 3 kernel yaitu radial basis function (RBF), sigmoid dan polynomial didapatkan bahwa menggunakan PCA dapat mereduksi dengan baik variabelvariabel yang sudah ada. Hasil pada kernel RBF didapatkan akurasi tertinggi 97.76% di model jumlah PC 30 hingga 31, pada kernel polynomial didapatkan 99.25% di model jumlah PC 21 dan pada kernel sigmoid didapatkan 99,25% di model jumlah PC 13 hingga 14 dan beberapa model PC lainnya. Dari hasil yang didapatkan penggunaan PCA dapat membantu meningkatkan akurasi pada beberapa kernel dalam studi kasus kanker serviks. Kata kunci: MinMaxScaling, Principal Component Analysis, Standarisasi, Support Vector Machine. Abstract Cancer is a disease that takes many lives. In women, breast cancer and cervical cancer are one of the most common types of cancer. The high number of fatalities in breast cancer and cervical cancer is one of them caused by the delay in handling cancer. Many cancer sufferers do not take seriously the symptoms that are found and finally the treatment given is too late. Therefore this study aims to analyze cancer detection methods by reducing the number of attributes using the most optimal PCA and SVM. This research uses the python library to help the analysis process using PCA and SVM. The dataset will be processed using the MinMaxScaling normalization method and standardization. The next calculation will be used sensitivity and specificity to find how accurate the model produced by SVM. By using 3 kernels, namely radial basis function (RBF), sigmoid and polynomial, it is found that using PCA can reduce well existing variables. The results in the RBF kernel obtained the highest accuracy of 97.76% in the PC number model 30 to 31, the polynomial kernel obtained 99.25% in the PC number 21 model and the sigmoid kernel obtained 99.25% in the PC number 13 to 14 model and several other PC models. From the results obtained using PCA can help improve accuracy in some kernels in cervical cancer case studies. Keywords: MinMaxScaling, Principal Component Analysis, Standardization, Support Vector Machine]]>
Copyrights © 2020
