Deny Pratama, 4611417060 (2022) OPTIMASI ALGORITMA K-NEAREST NEIGHBOR MENGGUNAKAN SELEKSI FITUR MODIFIED PARTICLE SWARM OPTIMIZATION DAN SYMMETRICAL UNCERTAINTY UNTUK DIAGNOSIS PENYAKIT STROKE. Under Graduates thesis, Universitas Negeri Semarang.

PDF - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Stroke merupakan penyakit yang menyerang jaringan syaraf yang terhubung dengan sistem kerja otak secara mendadak sehingga dapat mempengaruhi kinerja organ tubuh lainnya. Penyakit ini dapat terjadi secara mendadak yang menjadikan salah satu penyakit penyebab kecacatan dan kematian tertinggi di dunia (Puspitawuri et al., 2019). Maka dari itu, diperlukan adanya penanganan deteksi dini yang dapat mengurangi resiko penyakit stroke dengan metode yang lebih baik. Penelitian ini menggunakan algoritma K-Nearset Neighbor (K-NN) yang dikombinasikan dengan Modified Particle Swarm Optimization (MPSO) dan Symmetrical Uncertainty (SU) untuk memprediksi penyakit stroke. K-Nearset Neighbor digunakan untuk melakukan prediksi penyakit stroke. Sedangkan MPSO dan SU digunakan dalam tahap preprocessing sebagai algoritma seleksi fitur untuk mengoptimalkan kinerja dari algoritma K-Nearset Neighbor. Penelitian ini memperoleh rata-rata akurasi 94,68% dan waktu pemrosesan 41,92172 detik dengan hanya 6 atribut yang digunakan dari keseluruhan 10 atribut setelah menggunakan kombinasi seleksi fitur MPSO dan SU. Hal ini menunjukkan tingkat akurasi yang lebih besar dari pada hanya menggunakan algoritma K-Nearset Neighbor (K-NN) saja dengan hasil akurasi 94,62% dengan waktu pemrosesan mencapa 44,54948 detik. Kombinasi algoritma K-Nearset Neighbor (K-NN) dengan seleksi fitur Modified Particle Swarm Optimization (MPSO) yang memanfaatkan Constriction Factor Method dalam menentukan inertia weight dan Symmetrical Uncertainty (SU) dapat memberikan hasil yang lebih optimal.

Actions (login required)

View Item