KOMPARASI METODE RANDOM FOREST, SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBORS UNTUK KLASIFIKASI PENYAKIT GINJAL KRONIS

Masdalifah Lubis, Dinda (2024) KOMPARASI METODE RANDOM FOREST, SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBORS UNTUK KLASIFIKASI PENYAKIT GINJAL KRONIS. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (146kB)
	Text BAB II.pdf Restricted to Registered users only Download (448kB)
	Text BAB III.pdf Restricted to Registered users only Download (230kB)
	Text BAB IV.pdf Restricted to Registered users only Download (297kB)
	Text BAB V.pdf Download (9kB)
	Text Daftar Pustaka.pdf Download (232kB)

Abstract

Dengan berkembangnya teknologi yang semakin pesat pada saat ini, menjadikan banyak hal yang sebelumnya sulit untuk diprediksi menjadi mudah untuk diprediksi. Dengan memanfaatkan ilmu pengetahuan yang ada dan didukung oleh data yang sesuai, maka untuk memprediksi suatu hal bukan lagi menjadi hal yang sulit. Di bidang pemerintahan, pendidikan, dan juga kesehatan kini sudah mulai memanfaatkan teknologi yang semakin berkembang ini. Terutama dalam bidang kesehatan, yang digunakan untuk mengklasifikasikan apakah sang pasien terdiagnosa dengan benar memiliki sebuah penyakit berdasarkan hasil tes yang telah dijalani. Tujuan utama penelitian ini adalah untuk memprediksi ginjal kronis dengan menggunakan metode random forest, support vector machine dan k-nearest neighbours. Dataset yang telah dipilih penulis yaitu "Chronic Kidney Disease", data tersebut memiliki total sebanyak 400 data dengan 26 atribut. Pada tahap aktivitas machine learning dilakukan penulis menggunakan python, Data yang digunakan penulis pada pengujian in akan dilakukan 10 kali pengujian, tanpa dan penggunaan pemilihan fitur dan penggunaan k-fold cross validation. split data untuk data training dan data testing sebanyak 70;30. Metode yang digunakan dalam penelitian ini adalah random forest, support vector machine dan k-nearest neighbours. Hasil dari penelitian in adalah untuk mengklasifikasikan ginjal kronis. Dari hasil pengujian klasifikasi dengan algortima Random forest, Support vector machine dan K-nearest neighbours, didapatkan tingkat accuracy yang cukup baik sebesar 100% untuk algoritma Random forest dan Support vector machine, 98% untuk algoritma K-nearest neighbours.

Actions (login required)

View Item