PENERAPAN METODE K-MEANS CLUSTERING UNTUK MENENTUKAN FAKTOR RESIKO PADA PENDERITA DIABETES MELITUS

Septriani, Melda (2023) PENERAPAN METODE K-MEANS CLUSTERING UNTUK MENENTUKAN FAKTOR RESIKO PADA PENDERITA DIABETES MELITUS. Skripsi thesis, UNAMA.

Preview	Text BAB I.pdf Download (117kB) | Preview
	Text BAB II.pdf Restricted to Registered users only Download (635kB)
	Text BAB III.pdf Restricted to Registered users only Download (42kB)
	Text BAB IV.pdf Restricted to Registered users only Download (2MB)
Preview	Text BAB V.pdf Download (43kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (134kB) | Preview

Abstract

Diabetes melitus adalah penyakit yang disebabkan karena gagalnya organ
pankreas dalam memproduksi hormon insulin secara berkalah sehingga
menyebabkan meningkatnya kadar gula dalam darah dan berakibat kurangnya
insulin. Penyakit ini tidak menular namun dapat menjadi penyakit kronis dan dapat
menyerang berbagai kalangan umur. Penelitian ini membahas tentang penerapan
metode k-means clustering untuk menentukan faktor resiko pada penyakit diabetes
melitus. Metode yang digunakan adalah data mining k-means clustering. Dengan
menggunakan metode clustering data akan dikelompokkan ke dalam beberapa
cluster atau kelompok yang dimana pada penelitian ini melakukan komparasi
dengan menerapkan beberapa tools data mining seperti RapidMiner, SPSS, WEKA,
dan Phyton. Data yang didapatkan bersumber dari situs https://www.kaggle.com/.
Data yang digunakan merupakan dataset Behavioral Risk Factor Surveilance
System(BRFSS) pada tahun 2015 yang merupakan data hasil survey telpon terkait
kesehatan terutama pada diabetes melitus serta menggunakan 15 atribut yang sesuai
dengan faktor resiko DM dari kemkes. Data yang akan diolah dengan menggunakan
k-means dibagi menjadi 4 cluster yaitu : tingkat cluster prioritas pertama, tingkat
cluster prioritas kedua, tingkat cluster prioritas ketiga, dan tingkat cluster keempat.
Dari komparasi yang dilakukan menghasilkan 5 perhitungan yaitu perhitungan
secara manual cluster 1 dengan nilai rationya 73% menjadi prioritas pertama,
perhitungan menggunakan RapidMiner menghasilkan cluster 3 dengan nilai
rationya 58% menjadi prioritas pertama, perhitungan WEKA menghasilkan cluster
4 dengan nilai rationya 41% menjadi prioritas pertama, perhitungan menggunakan
SPSS cluster 2 dengan nilai rationya 34% menjadi prioritas pertama, dan
perhitungan menggunakan Phyton menghasilkan cluster 1 dengan nilai rationya
55% menjadi prioritas pertama. Sehinga hasil penelitian didapatkan karena
perbedaan dalam pemilihan pusat cluster.

Item Type:	Thesis (Skripsi)
Subjects:	Artificial Intelligence
Divisions:	Skripsi > Teknik Informatika > 2023
Depositing User:	Digital Library
Date Deposited:	11 Jan 2024 12:03
Last Modified:	11 Jan 2024 12:03
URI:	https://repository.unama.ac.id/id/eprint/3061

Actions (login required)

View Item