Fadhlullah, Aufar Faiq (2024) Komparasi kinerja algoritma random forest dan decision tree dalam memprediksi penderita penyakit diabetes melitus / Aufar Faiq Fadhlullah</p>. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
p Penyakit Diabetes Melitus menyebabkan semakin turunnya kualitas kesehatan global. Berdasarkan informasi yang diperoleh dari Institude for Health Metrics and Evaluation diabetes merupakan penyebab kematian tertinggi ketiga di Indonesia yang mencapai 57 42 kematian setiap 100.000 penduduk. Tingginya tingkat kematian ini disebabkan karena kurangnya kesadaran masyarakat dalam mengetahui faktor-faktor yang memicu meningkatnya resiko terkena penyakit diabetes. Untuk menurunkan besarnya angka penderita diabetes tersebut maka diperlukan deteksi dini dalam mendiagnosa penyakit diabetes berdasarkan pencatatan hasil pemeriksaan medis pasien. Salah satu deteksi dini ini dapat dilakukan dengan teknik data mining. Berdasarkan masalah ini maka penelitian ini bertujuan untuk memprediksi pasien penderita penyakit diabetes melitus dengan memanfaatkan teknik prediksi dalam data mining. Tahapan prediksi untuk mendiagnosa penyakit diabetes ini dibagi menjadi 5 tahapan meliputi kajian pustaka pengumpulan dataset data pre-processing data processing dan evaluasi hasil. Data diperoleh dari dataset publik ldquo Diabetes Prediction Dataset rdquo yang mencakup fitur fitur seperti usia jenis kelamin indeks massa tubuh hipertensi penyakit jantung riwayat merokok kadar HbA1c dan kadar glukosa darah. Tahap data pre-processing melibatkan beberapa proses mencakup penyaringan data konversi atribut serta pemilihan kelas (dengan memanfaatkan operator Filter Example Numerical to Polynomial dan Set Role). Model prediksi yang digunakan untuk mendiagnosa hasil pemeriksaan pasien adalah random forest dan decision tree. Evaluasi hasil prediksi menggunakan metrik accuracy precision dan recall. Hasil penelitian menunjukkan bahwa algoritma Random Forest menghasilkan nilai accuracy 93.97% precision 99.88% recall 66.56% dengan waktu komputasi 16s. Sedangkan algoritma Decision Tree menghasilkan nilai accuracy 93.89% precision 98.73% recall 66.88% dengan waktu komputasi kurang dari 1s. Berdasarkan hasil tersebut dapat disimpulkan bahwa algoritma Decision Tree lebih efektif digunakan karena perbedaan nilai accuracy precision dan recall yang dihasilkan kedua algoritma tidak memiliki perbedaan yang signifikan. Namun algoritma Decision Tree memiliki keunggulan dalam penggunaan waktu komputasi yang lebih efektif. /p
| Item Type: | Thesis (Diploma) |
|---|---|
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 04 Apr 2024 04:29 |
| Last Modified: | 09 Sep 2024 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/355575 |
Actions (login required)
 |
View Item |