Komparasi Algoritma Optimasi untuk Seleksi Fitur dalam Klasifikasi Penyakit Stroke pada Algoritma Berbasis Pohon Keputusan

Willy, Gavriel (2024) Komparasi Algoritma Optimasi untuk Seleksi Fitur dalam Klasifikasi Penyakit Stroke pada Algoritma Berbasis Pohon Keputusan. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (825kB)
	PDF BAB_I.pdf Download (68kB)
	PDF BAB_II.pdf Download (289kB)
	PDF BAB_III.pdf Download (267kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (57kB)
	PDF DAFTAR_PUSTAKA.pdf Download (694kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (3MB)

Abstract

Penyakit stroke merupakan gangguan neurologis akut yang terjadi ketika suplai darah ke otak terhenti. Menurut World Stroke Organization mencatat sekitar 13 juta orang terkena stroke setiap tahunnya dan 5,5 juta di antaranya meninggal. Stroke menjadi masalah umum di Asia termasuk Indonesia, dan menjadi penyebab utama kematian dan cacat neurologis. Selain kematian, stroke juga menambah beban biaya dan emosional yang mempengaruhi produktivitas. Hal ini mendorong para peneliti untuk memulai penelitian untuk mengantisipasi dan mengelola risiko stroke. Dalam penelitian ini, diterapkan teknik data mining menggunakan CRISP-DM yang terdiri dari tahap business understanding, data understanding, data preparation, modeling, dan hanya sampai tahap evaluation untuk mengklasifikasikan fitur- fitur yang meningkatkan risiko stroke dengan menggunakan algoritma berbasis pohon keputusan yaitu Decision Tree, Xgboost, dan Extra tree classifier. Seleksi fitur digunakan untuk memperoleh fitur yang relevan guna meningkatkan akurasi hasil penelitian. Pendekatan yang digunakan melibatkan algoritma swarm intelligence seperti Particle Swarm Optimization, dan Ant Colony Optimization yang diintegrasikan dengan algoritma berbasis pohon keputusan yaitu Decision Tree, Xgboost, dan Extra tree classifier. Hasil dari penelitian ini akan dikomparasikan untuk melihat perbandingan akurasi, sensitivitas, presisi, dan waktu pemrosesan yang paling efektif dan efisien setelah dan sebelum dilakukannya metode seleksi fitur. Hasil terbaik yang didapat adalah menggunakan seleksi fitur PSO pada Xgboost berhasil mereduksi fitur sampai 20 fitur terpilih dengan hasil akurasi 97.62% presisi, 97.72%, sensitivitas 97.61% dan mampu menurunkan waktu pemrosesan menjadi 1.4605 detik.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Optimization, Stroke, Swarm Intelligence
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	10 Nov 2024 11:05
Last Modified:	10 Nov 2024 11:05
URI:	https://kc.umn.ac.id/id/eprint/34071

Actions (login required)

View Item