Diah Siti Fatimah Azzahrah, 4611419056 (2023) KOMPARASI ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) DAN k-NEAREST NEIGHBOR (k-NN) UNTUK KLASIFIKASI PENYAKIT DIABETES. Under Graduates thesis, Universitas Negeri Semarang.

PDF (Skripsi) Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Diabetes merupakan suatu penyakit tidak menular yang menjadi induk dari banyak penyakit. Hal tersebut dikarenakan, diabetes dapat menjadi penyebab dari banyak komplikasi penyakit. Penyakit ini disebabkan adanya peningkatan gula darah yang melebihi batas normal dalam waktu yang berkepanjangan. International Diabetes Federation (IDF) mengatakan bahwa pada tahun 2019 angka manusia hidup dengan penyakit diabetes pada usia 20 – 79 tahun mencapai 463 juta jiwa dan memperkirakan tahun 2045 akan meningkat menjadi 700 juta. Melihat angka terkena diabetes tersebut diperlukan pendeteksian secara dini mengenai penyakit diabetes sebagai langkah awal dalam meminimalisir munculnya komplikasi, mendapatkan pengobatan lebih cepat, dan menekan angka kematian. Hal tersebut dilakukan dengan menggunakan teknik data mining. Teknik data mining dapat digunakan sebagai pembuatan model dalam dunia kesehatan untuk memprediksi dan mengklasifikasi mengenai masalah kesehatan. Jenis yang digunakan pada data mining pada penelitian yaitu klasifikasi.Tujuan dalam penelitian ini adalah untuk mendapatkan hasil akurasi dan mengetahui kecepatan dari algoritma yang digunakan pada penelitian ini. Penelitian ini menggunakan algoritma Probabilistic Neural Network (PNN) dan k-Nearest Neighbor (k-NN) untuk mengklasifikasi penyakit diabetes. Kedua algoritma tersebut memiliki fungsi dalam permasalahan klasifikasi. Data yang digunakan merupakan data sekunder yang diambil dari website Kaggle yaitu Pima Indians Diabetes Database. Tahapan pembagian dataset menjadi training data dan testing data dengan rasio 80:20. Selain itu, penelitian ini melakukan feature selection dan penerapan k-fold cross validation. Dari kedua algoritma tersebut dilakukan perbandingan hasil akurasi. Berdasarkan dari perhitungan menggunakan k-fold cross validation dengan nilai k = 4 dan penerapan feature selection bahwa kecepatan terbaik didapatkan oleh algoritma k-NN dengan akurasi sebesar 78,1% pada penerapan 4 features. Adapun pada implementasi all features hasil akurasi tertinggi juga diperoleh algoritma k-NN sebesar 74,6%.

Actions (login required)

View Item