Kiki Prima Wijaya , 4611412004 (2017) PENERAPAN INFORMATION GAIN GUNA MENINGKATKAN AKURASI PADA ALGORITMA SUPPORT VECTOR MACHINE DAN NAÏVE BAYES DALAM MENDIAGNOSA CHRONIC KIDNEY DISEASE. Under Graduates thesis, Universitas Negeri Semarang.

Preview

PDF - Published Version Download (517kB) | Preview

Abstract

Perkembangan database dalam bidang kesehatan tumbuh sangat pesat. Data tersebut sangat penting untuk dapat diolah supaya bermanfaat. Data mining merupakan bidang ilmu penelitian yang dapat mengolah database menjadi pengetahuan yang dapat dimanfaatkan untuk mendiagnosa penyakit, seperti chronic kidney disease (CKD). Salah satu teknik data mining yang digunakan untuk memprediksi suatu hal adalah klasifikasi. Support vector machine (SVM) dan Naïve bayes termasuk dalam algoritma klasifikasi data mining yang baik digunakan untuk mendiagnosa CKD. Kelemahan SVM dan Naïve Bayes adalah sulit digunakan pada data berskala besar dan sulit membedakan antara atribut yang berpengaruh dan tidak berpengaruh dalam proses prediksi. Tujuan riset ini adalah untuk mengetahui peningkatan akurasi dan membandingkan antara hasil akurasi SVM dan Naïve bayes setelah menerapkan Information gain. Digunakannya Information gain untuk mengoptimalisasi atribut pada dataset guna meningkatkan akurasi SVM dan Naïve bayes dalam mendiagnosa CKD. Hasil pada penelitian ini dengan menerapkan Information Gain dalam mendiagnosa CKD menggunakan dataset CKD yang diperoleh dari UCI repository of machine learning datasets, algoritma SVM menunjukkan tingkat akurasi meningkat 0,3333% dari 98% menjadi 98,3333%, sedangkan pada algoritma Naïve Bayes menunjukkan peningkatan sebesar 1,0075% dari 98,4925% menjadi 99,5%. Berdasarkan hasil penelitian yang diamati setelah menerapkan Information Gain, kinerja algoritma Naïve Bayes lebih baik daripada algoritma SVM dalam mendiagnosa CKD. Penelitian ini dapat dijadikan sebagai acuan agar peneliti selanjutnya dapat melakukan penanganan missing value yang lebih efektif dan efisien untuk mendapatkan akurasi yang lebih optimal.

Actions (login required)

View Item