PENERAPAN METODE ENSEMBLE ADABOOST PADA IMBALANCED DATASET UNTUK KLASIFIKASI PENYAKIT MENTAL ANSIETAS DENGAN ALGORITMA NAÏVE BAYES

ANGGANI, ALIZA HANUM (2021) PENERAPAN METODE ENSEMBLE ADABOOST PADA IMBALANCED DATASET UNTUK KLASIFIKASI PENYAKIT MENTAL ANSIETAS DENGAN ALGORITMA NAÏVE BAYES. Diploma thesis, UPN "Veteran" Yogyakarta.

[thumbnail of SKRIPSI FULL.pdf] Text
SKRIPSI FULL.pdf
Restricted to Repository staff only

Download (5MB)
[thumbnail of COVER.pdf]
Preview
Text
COVER.pdf

Download (188kB) | Preview
[thumbnail of ABSTRAK.pdf]
Preview
Text
ABSTRAK.pdf

Download (9kB) | Preview
[thumbnail of DAFTAR ISI.pdf]
Preview
Text
DAFTAR ISI.pdf

Download (91kB) | Preview
[thumbnail of LEMBAR PENGESAHAN.pdf]
Preview
Text
LEMBAR PENGESAHAN.pdf

Download (620kB) | Preview

Abstract

Ansietas dapat didefinisikan sebagai suatu gangguan berupa perasaan tidak nyaman
bagi penderitanya yang disebabkan oleh hal-hal yang belum diketahui secara jelas. Jika
dibandingkan dengan orang yang memiliki penyakit fisik atau penyakit medis yang lain,
orang yang menderita penyakit gangguan jiwa ini lebih sering mendapatkan stigma negatif
dan lebih besar diskriminasi dari lingkungan sekitarnya. Karena stigma negatif yang beredar
di masyarakat tersebut, terkadang menyebabkan penderita gangguan jiwa enggan untuk
berkonsultasi pada ahlinya.
Berawal dari permasalahan tersebut, dan seiring berkembangnya teknologi pada
masa sekarang ini banyak bermunculan sistem untuk mendeteksi secara dini gejala yang ada
pada penyakit ansietas. Namun, permasalahan juga sering muncul pada beberapa teknologi
yang digunakan, yaitu data yang digunakan klasifikasinya tidak seimbang atau sering disebut
dengan imbalanced dataset. Imbalanced dataset ini diartikan sebagai data yang memiliki
perbedaan jumlah instances yang cukup jauh antara kelas mayoritas dan kelas minoritas.
Kebanyakan algoritma klasifikasi akan menghasilkan akurasi jauh lebih rendah
untuk kelas minoritas pada proses klasifikasi yang diterapkan pada data tidak seimbang.
Adaptive boosting terbukti dapat meningkatkan kinerja beberapa algoritma klasifikasi
seperti naïve bayes, SVM, dan decision tree pada data yang tidak seimbang. Maka dari itu,
pada penelitian ini, diusulkan penerapan metode ensemble yaitu adaptive boosting untuk
dapat meningkatkan kinerja algoritma naïve bayes pada permasalahan klasifikasi dengan
data yang tidak seimbang.
Berdasarkan hasil implementasi dan hasil pengujian yang telah dilakukan
sebelumnya, dapat ditarik kesimpulan bahwa algoritma adaboost mampu meningkatkan
kinerja algoritma klasifikasi naïve bayes dengan imbalanced dataset dibuktikan dengan
meningkatnya akurasi. Saat dilakukan klasifikasi tanpa algoritma adaboost, hasil akurasi
yang didapat oleh klasifikasi dengan algoritma naïve bayes adalah sebesar 91,67%. Lalu
setelah dilakukan klasifikasi menggunakan kombinasi antara algoritma adaboost dan naïve
bayes, hasil akurasi menunjukkan peningkatan menjadi 95,83%.

Item Type: Thesis (Diploma)
Subjek: Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions: x. Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User: Eny Suparny
Date Deposited: 03 Feb 2022 02:35
Last Modified: 03 Feb 2022 02:35
URI: http://eprints.upnyk.ac.id/id/eprint/28154

Actions (login required)

View Item View Item