Bimmo, Aryo (2024) Klasifikasi penderita penyakit kardiovaskular menggunakan feature selection dan k-nearest neighbor / Aryo Bimmo</p>. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
p Penyakit kardiovaskular merupakan penyakit yang diakibatkan oleh penderita dengan gangguan fungsi jantung dan pembulu darah. Penyakit ini merupakah penyakit tidak menular penyebab kematian tertinggi di dunia. Faktor-faktor penyebab penyakit ini mirip dengan penyakit stroke dimana rentang terjadi pada pasien berumur 55 tahun keatas memiliki riwayat diabetes tekanan darah tinggi obesitas serta mengonsumsi alkohol rokok dan sebagainya. Dengan memahami faktor-faktor tersebut ilmu data mining dapat diterapkan sebagai pencegahan awal agar tidak memperparah penderita penyakit tersebut. Data mining berguna untuk mengenali pola-pola pada data yang dapat memberikan pengetahuan baru dengan menggunakan beberapa metode seperti klasifikasi. Penelitian ini bertujuan untuk membandingkan hasil kinerja pada model KNN yang dibuat oleh (Alalawi amp Alsuwat 2021) untuk mengklasifikasi penderita penyakit kardiovaskular. Hasil kinerja model KNN penelitian tersebut memiliki accuracy precision recall dan f1-score sebesar 66% dengan pemilihan atribut dan sebesar 70% tanpa pemilihan atribut. Penggunaan metode feature selection dapat meningkatkan hasil kinerja pada model yang dibuat. Penelitian yang dilakukan oleh (Maulidina et al. 2021) memaparkan bahwa penggunaan metode feature selection yaitu backward elimination berhasil meningkatkan hasil akurasi dari model SVM yang dibuat yaitu sebesar 4.29%. Selain itu penelitian yang dilakukan oleh (Zeniarja et al. 2019) memaparkan bahwa penggunaan metode feature selection yaitu forward selection berhasil meningkatkan hasil akurasi sebesar 5.22% pada model KNN yang dibuat. Pada penelitian ini RapidMiner digunakan untuk membuat model KNN dengan metode feature selection serta menggunakan nilai k terbaik hasil pencarian menggunakan operator grid. Pada data preparation penelitian ini membuat atribut baru yaitu Body Mass Index (BMI) dan BMI_CAT atribut-atribut tersebut merupakan hasil operasi antara atribut weight dan height. Penelitian ini menghasilkan model KNN dengan nilai K sebesar 86 memiliki hasil kinerja yaitu accuracy sebesar 72.27% precision sebesar 74.66% recall sebesar 66.57% dan f1-score sebesar 70.39%. Penggunaan feature selection meningkatkan hasil kinerja model KNN yang dibuat dimana backward elimination lebih unggul pada segi accuracy recall dan f1-score sedangkan forward selection lebih unggul pada segi precision dan waktu eksekusi yang lebih cepat. Dimana forward selection memiliki accuracy sebesar 72.80% precision sebesar 75.54% recall sebesar 66.63% f1-score sebesar 70.81% dan rata-rata waktu ekesekusi yaitu 52 50. Sedangkan itu backward elimination memiliki accuracy sebesar 72.92% precision sebesar 75.35% recall sebesar 67.31% f1-score sebesar 71.10% dan rata-rata waktu eksekusi yaitu 1 27 41. /p
| Item Type: | Thesis (Diploma) |
|---|---|
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 12 Jul 2024 04:29 |
| Last Modified: | 09 Sep 2024 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/358010 |
Actions (login required)
 |
View Item |