ABSTRAK
ANDI MAQFIRA, Peningkatan Efisiensi Support Vector Machine Menggunakan Reduksi Dimensi dengan Principal Component Analysis pada Klasifikasi Dokumen Biomedical (dibimbing oleh Pasnur dan Nurzaenab)
Permasalahan yang diangkat dalam penelitian ini adalah tingginya waktu training pada algoritma Support Vector Machine (SVM) ketika digunakan untuk klasifikasi dokumen biomedical berdimensi tinggi, yang dapat menghambat efisiensi pengolahan data dalam skala besar. Penelitian ini bertujuan untuk mengetahui tingkat akurasi algoritma SVM dalam melakukan klasifikasi dokumen biomedical, serta mengoptimalkan waktu training dengan menerapkan metode Principal Component Analysis (PCA) sebagai teknik reduksi dimensi. Data yang digunakan adalah Medikal Text Dataset – Cancer Doc Classification yang diperoleh dari platform Kaggle, berisi 7.000 dokumen biomedical dengan tiga kategori yaitu Thyroid Cancer, Colon Cancer, dan Lung Cancer. Metode yang diterapkan meliputi preprocessing teks, pembobotan Term Frequency - Inverse Document Frequency (TF-IDF), penerapan PCA untuk reduksi dimensi, serta klasifikasi menggunakan SVM. Berdasarkan hasil pengujian, model SVM tanpa reduksi dimensi mencapai akurasi sebesar 93% dengan waktu training rata-rata 52,02 detik, sedangkan model PCA-SVM mampu mempertahankan akurasi 94% dengan rata-rata waktu training hanya 7,05 detik, atau setara dengan pengurangan waktu training sebesar 86,45%. Hasil ini membuktikan bahwa penerapan PCA efektif dalam meningkatkan efisiensi waktu training algoritma SVM tanpa menurunkan akurasi klasifikasi dokumen biomedical secara signifikan.
Kata kunci: Dokumen Biomedical, Klasifikasi Teks, Principal Component Analysis , Reduksi Dimensi, Support Vector Machine