Rozakul Barkhi, 4611417057 (2022) IMPLEMENTASI RANDOM FOREST CLASSIFIER DENGAN MENGGUNAKAN ALGORITMA GENETIKA DAN MUTUAL INFORMATION UNTUK PREDIKSI PENYAKIT STROKE. Under Graduates thesis, Universitas Negeri Semarang.

PDF (Skripsi) Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Stroke merupakan penyebab utama kedua dari kematian di seluruh dunia, serta penyebab utama dari kecacatan. Stroke terjadi ketika aliran darah ke berbagai area otak terganggu atau berkurang, sel-sel di daerah otak tidak mendapatkan nutrisi dan oksigen yang mengakibatkan sel-sel itu mati. Penyakit stroke membutuhkan perawatan segera untuk diagnosis lebih awal sehingga dapat meminimalkan kerusakan lebih lanjut di area otak yang terkena. Diagnosis medis berbasis komputer telah membantu dokter dan profesional medis selama bertahun-tahun. Diagnosis medis berdasarkan algoritma machine learning semakin diperkenalkan dan diterapkan untuk memecahkan masalah yang kompleks. Random Forest Classifier merupakan algoritma yang sering digunakan dalam machine learning. Dalam penelitian ini, Random Forest Classifier digunakan untuk mendiagnosis penyakit Stroke. Akurasi dari diagnosis dipengaruhi oleh penggunaan fitur dalam dataset. Oleh karena itu, untuk menyeleksi fitur yang kurang berperan dalam dataset, maka dilakukan metode pemilihan fitur menggunakan Algoritma Genetika dan Mutual Information. Dataset yang digunakan adalah Stroke Prediction Dataset. Penelitian ini bertujuan untuk mengetahui penerapan Algoritma Genetika dan Mutual Information pada algoritma Random Forest Classifier untuk diagnosis penyakit stroke dan mengetahui akurasi yang dihasilkan. Hasil klasifikasi Stroke Prediction Dataset menggunakan algoritma Random Forest Classifier mendapatkan akurasi sebesar 95,56% dengan waktu yang dibutuhkan sekitar 0,5 detik. Untuk hasil klasifikasi menggunakan Random Forest Classifier dengan Algoritma Genetika mendapatkan akurasi sebesar 95,95% dengan waktu yang dibutuhkan sekitar 331,11 detik. Untuk hasil klasifikasi menggunakan Random Forest Classifier dengan Mutual Information mendapatkan akurasi sebesar 95,89% dengan waktu yang dibutuhkan sekitar 0,74 detik. Sedangkan untuk kombinasi dari ketiga algoritma tersebut, mendapatkan akurasi yang lebih optimal yaitu sebesar 96,28% dengan waktu yang dibutuhkan sekitar 402,53 detik. Dengan demikian, dapat dikatakan bahwa implementasi Algoritma Genetika dan Mutual Information dapat mengoptimalkan kinerja akurasi dari metode klasifikasi Random Forest Classifier yaitu sebesar 0,72%. Namun menghasilkan waktu pemrosesan yang cenderung lebih lama yaitu sebesar 402,03 detik.

Actions (login required)

View Item