Participation In Conducting The Visual Inspection Of Acetic Acid As An Early Detection Effort Towards The Servical Cancer Reviewed From Information Access and Knowledge

Abstract

Abstrak Pap Smear adalah pemeriksaan keadaan sel-sel pada serviks di bawah mikroskop, kegunaan dari pemeriksaan Pap Smear adalah untuk menilai kesehatan organ kewanitaan dan juga sebagai cara mendeteksi kanker serviks sejak dini. Penelitian ini menyajikan klasifikasi sel Pap Smear. Data yang digunakan adalah dataset Herlev yang berjumlah 917 data. Penelitian ini bertujuan untuk mengetahui apakah penggunaan algoritma optimasi particle swarm optimization dapat meningkatkan kinerja dari algoritma Decision tree dalam mengklasifikasikan data Sel Pap Smear. Tahapan dari penelitian ini adalah preprocessing, feature optimization, knowledge rules, evaluation dan performance report. Hasil dari penelitian ini menunjukkan bahwa algoritma Decision tree menghasilkan akurasi sebesar 91.39 % dengan AUC 0.858, sedangkan penerapan algoritma particle swarm optimization pada Decision tree menghasilkan akurasi yang lebih baik yaitu sebesar 96.76 % dengan AUC 0.926.. Kata kunci-Herlev, Pap Smear, Klasifikasi, Decision tree, particle swarm optimization Abstract Pap Smear is an examination of the state of cells in the cervix under a microscope, the use of the Pap smear is to assess the health of female organs and also as a way to detect cervical cancer early. This research presents the classification of Pap Smear cells. The data used is the Herlev dataset which amounts to 917. This research aims to determine whether the use of particle swarm optimization algorithm can improve the performance of the Decision tree algorithm in classifying Pap Smear Cell data. The stages of this research are preprocessing, feature optimization, knowledge rules, evaluation and performance report. The results of this research are the Decision Tree algorithm produces an accuracy of 91.39% with AUC 0.858, While the application of particle swarm optimization algorithm in Decision tree resulted in better accuracy of 96.76% with AUC 0.926.