PENINGKATAN AKURASI ALGORITMA K-NEAREST NEIGHBOR MENGGUNAKAN PARTICLE SWARM OPTIMIZATION DALAM PEMILIHAN ATRIBUT PADA KLASIFIKASI PENYAKIT HEPATITIS

Parameswara, Kadek Yogananda (2024) PENINGKATAN AKURASI ALGORITMA K-NEAREST NEIGHBOR MENGGUNAKAN PARTICLE SWARM OPTIMIZATION DALAM PEMILIHAN ATRIBUT PADA KLASIFIKASI PENYAKIT HEPATITIS. Diploma thesis, UPN Veteran Yogyakarta.

	Text COVER.pdf Download (475kB)
	Text ABSTRAK.pdf Download (215kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (237kB)
	Text PENGESAHAN PENGUJI.pdf Download (304kB)
	Text DAFTAR ISI.pdf Download (221kB)
	Text DAFTAR PUSTAKA.pdf Download (338kB)
	Text SKRIPSI FULL_KADEK YOGANANDA PARAMESWARA_123190188.pdf Restricted to Repository staff only Download (2MB)

Abstract

Hepatitis merupakan peradangan hati yang diakibatkan infeksi virus yang menyerang
dan menyebabkan kerusakan pada sel-sel dan fungsi organ hati. Penyakit hepatitis juga
merupakan penyebab dari kanker hati yang dibiarkan tanpa pengobatan yang intens.
Hepatitis dapat merusak fungsi organ hati sebagai penetral racun dan sistem pencernaan
makanan dalam tubuh yang mengurai sari-sari makanan untuk kemudian disebarkan ke
seluruh organ tubuh yang sangat penting bagi manusia. Hepatitis disebabkan oleh berbagai
faktor seperti infeksi virus, zat beracun (misalnya alkohol, obat-obatan tertentu), dan
penyakit autoimun. Hepatitis biasanya dikategorikan sebagai penyakit yang akut dan kronis.
Melakukan diagnosa dini pada penyakit ini adalah sesuatu yang sangat penting agar dapat
secara cepat ditangani dan diobati. Untuk mendiagnosis pasien yang menderita hepatitis
dapat diketahui gejala-gejala yang muncul atau dialami oleh pasien dan faktor resiko yang
dirasakan pasien. Namun, tidak semua dokter memiliki keahlian khusus dalam setiap bagian
keahlian dan terlebih lagi ada kekurangan dari narasumber di tempat tertentu.
Salah satu algoritma yang dapat memprediksi penyakit hepatitis adalah K-Nearest
Neighbor. Akan tetapi KNN memiliki beberapa kelemahan yang dapat menyebabkan
menurunnya akurasi misalnya atribut yang tidak berpengaruh dan sensitive terhadap fiturfitur

yang tidak berpengaruh pada sebuah data. Particle Swarm Optimization (PSO)
tergolong baik untuk seleksi fitur sebab kemampuannya dalam mengeksplorasi ruang
pencarian dengan efisien yang dapat mengatasi kelemahan KNN tersebut. Hasil seleksi fitur
kemudian digunakan untuk pelatihan model KNN dan model PSO-KNN. Penelitian ini
menggunakan parameter pada PSO C1 sebesar 1,5, C2 sebesar 1,0, W sebesar 1,0, jumlah
partikel sebanyak 50 dan iterasi maksimal yaitu 10.
Dalam penelitian ini, pengujian dilakukan dengan confusion matrix untuk
menghitung akurasi, presisi dan recall pada model KNN dan model PSO-KNN untuk
klasifikasi penyakit hepatitis. Pada model PSO-KNN, setelah dilakukan seleksi fitur
didapatkan jumlah fitur yang digunakan sebanyak 7 fitur dari total ekstraksi fitur yaitu 10
fitur. Setelah dilakukan pengujian dengan confusion matrix model KNN mendapatkan
akurasi sebesar 84% sedangkan akurasi dari model PSO-KNN yaitu sebesar 91%. Dari hasil
pengujian tersebut menunjukkan bahwa seleksi fitur menggunakan PSO dapat meningkatkan
akurasi sebesar 7% dan dapat mengatasi permasalahan pada algoritma KNN untuk
klasifikasi penyakit hepatitis.

Kata Kunci : Hepatitis, Seleksi Fitur, KNN, PSO

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Hepatitis, Seleksi Fitur, KNN, PSO
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	23 Jul 2024 00:55
Last Modified:	23 Jul 2024 00:55
URI:	http://eprints.upnyk.ac.id/id/eprint/40339

Actions (login required)

View Item