Klasifikasi Penyakit Polycystic Ovarian Syndrome (PCOS) menggunakan Algoritma K-Nearest Neighbor

Leslie, Natasha (2023) Klasifikasi Penyakit Polycystic Ovarian Syndrome (PCOS) menggunakan Algoritma K-Nearest Neighbor. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (1MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (222kB) | Preview
Preview	PDF BAB_I.pdf Download (213kB) | Preview
Preview	PDF BAB_II.pdf Download (261kB) | Preview
Preview	PDF BAB_III.pdf Download (303kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (685kB)
Preview	PDF BAB_V.pdf Download (204kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (606kB)

Abstract

Gangguan yang biasa dialami oleh wanita berumur subuh salah satunya adalah gangguan siklus menstruasi. Penyakit Polycystic Ovarian Syndrom atau PCOS merupakan salah satu penyakit yang memiliki dampak yang signifikan pada kesehatan reproduksi wanita. PCOS masih menjadi penyakit gangguan hormon pada Wanita yang seringkali tidak disadari. Dampak dari PCOS terhadap kesehatan wanita, membuat melakukan penelitian ini akan berkontribusi untuk bisa memajukan pengetahuan bagian medis, lebih mudah menilai hasil pasien serta meningkatkan pemahaman akan penyakit PCOS. Penelitian ini mencoba mengembangkan sistem sederhana menggunakan machine learning untuk mengetahui status pasien berkatagori terkena penyakit PCOS atau tidak dengan memasukkan beberapa informasi dari gejala yang dialami oleh pasien. Sistem dikembangkan menggunakan metode klasifikasi K-Nearest Neighbor (KNN) dan membandingkan nilai akurasi yang didapatkan dari setiap uji coba yang dilakukan untuk mendapatkan performa terbaik. Dalam percobaan ini dilakukan pembagian data dengan rasio data latih dan data uji yang berbeda-beda. Didapatkan akurasi sebesar 100% dari pembagian rasio data latih sebesar 75% dan data latih sebesar 70% dengan nilai K=3 dan K=11, dan data latih sebesar dengan nilai K=13 menggunakan uji validasi silang 10-fold.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	K-Fold Cross Validation, K-Nearest Neighbor, Machine Learning, PCOS
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	06 Jul 2023 10:01
Last Modified:	23 Aug 2023 07:10
URI:	https://kc.umn.ac.id/id/eprint/25832

Actions (login required)

View Item