SEPTIAWAN, ADITYA (2025) PERBANDINGAN SUPPORT VECTOR MACHINE, RANDOM FOREST DAN MULTILAYER PERCEPTRON UNTUK KLASIFIKASI PENYAKIT SIROSIS DENGAN GRIDSEARCHCV. Skripsi thesis, UPN "VETERAN" YOGYAKARTA.
![[thumbnail of 2_Cover_123210014_Aditya Septiawan.pdf]](http://eprints.upnyk.ac.id/style/images/fileicons/text.png) |
Text
2_Cover_123210014_Aditya Septiawan.pdf Download (166kB) |
|
Text
3_Abstrak_123210014_Aditya Septiawan.pdf Download (866kB) |
|
Text
4_Halaman Pengesahan_123210014_Aditya Septiawan.pdf Download (850kB) |
|
Text
5_Daftar Isi_123210014_Aditya Septiawan.pdf Download (474kB) |
|
Text
06 - Daftar Pustaka.pdf Download (1MB) |
|
Text
1_Skripsi Full_123210014_Aditya Septiawan.pdf Restricted to Repository staff only Download (3MB) |
Abstract
Penyakit sirosis merupakan masalah kesehatan global yang signifikan, ditandai
dengan kerusakan hati kronis yang menyebabkan fibrosis dan nodul, dengan gejala awal
yang sering tidak spesifik sehingga menyulitkan deteksi dini. Keterlambatan diagnosis dapat
memperburuk kondisi, menyebabkan komplikasi serius seperti kegagalan hati atau kanker
hati. Penelitian ini bertujuan untuk membandingkan performa model machine learning, yaitu
Support Vector Machine, Random Forest, dan Multilayer Perceptron dalam
mengklasifikasikan stadium penyakit sirosis dengan penyetelan hyperparameter
menggunakan GridSearchCV untuk meningkatkan akurasi deteksi dini.
Penelitian ini menggunakan data sekunder dari platform Kaggle yang berisi 13
variabel melalui pemilihan variabel seperti usia, albumin, bilirubin, alkaline phosphatase,
cholesterol, SGOT, prothrombin, platelets, spiders, hepatomegaly, ascites, edema dan stage.
Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Tahapan preprocessing
meliputi pemilihan fitur, label encoding untuk mengubah data kategorikal menjadi numerik,
dan normalisasi menggunakan metode MinMax. Ketiga model dikembangkan dengan
melakukan penyetelan hyperparameter melalui GridSearchCV untuk menemukan
kombinasi parameter terbaik. Evaluasi model dilakukan menggunakan metrik akurasi,
precision, recall, F1-Score, serta akurasi rata-rata cross-validation untuk memastikan
performa model.
Hasil penelitian menunjukkan bahwa Random Forest menghasilkan performa terbaik
dengan akurasi sebesar 95,84%, precision95,87%, recall 95,84%, F1-Score 95,84%, serta
akurasi rata-rata sebesar 95,52%. Multilayer Perceptron mencapai akurasi 90,30%,
precision90,37%, recall 90,30%, F1-Score 90,30%, dan dan dan akurasi rata-rata 90,2%..
Sementara itu, Support Vector Machine menunjukkan performa paling rendah di antara
ketiganya dengan akurasi sebesar 89,56%, precision89,59%, recall 89,56%, F1-Score
89,57%, dan dan akurasi rata-rata 89,02%. Hasil ini menunjukkan bahwa Random Forest
terbukti paling efektif dalam mengklasifikasikan stadium sirosis dengan tingkat kesalahan
minimal.
Kata Kunci: Sirosis, Support Vector Machine, Random Forest, Multilayer Perceptron
| Item Type: | Tugas Akhir (Skripsi) |
|---|---|
| Additional Information: | ADITYA SEPTIAWAN (penulis) - 123210014 ; Heru Cahya R. (pembimbing) |
| Uncontrolled Keywords: | Sirosis, Support Vector Machine, Random Forest, Multilayer Perceptron |
| Subjek: | Q Science > QA Mathematics > QA76 Computer software |
| Divisions: | Fakultas Teknik Industri > (S1) Informatika |
| Depositing User: | A.Md Eko Suprapti |
| Date Deposited: | 22 Oct 2025 06:38 |
| Last Modified: | 22 Oct 2025 06:38 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/44784 |
Actions (login required)
 |
View Item |