PENERAPAN METODE REDUCED ERROR (REP) PRUNING PADA SISTEM DIAGNOSIS DEHIDRASI PADA ANAK BERBASIS METODE DECISION TREE DAN ALGORITMA C4.5

Maulana Miftakhul Faizin , 5302412030 (2017) PENERAPAN METODE REDUCED ERROR (REP) PRUNING PADA SISTEM DIAGNOSIS DEHIDRASI PADA ANAK BERBASIS METODE DECISION TREE DAN ALGORITMA C4.5. Under Graduates thesis, Universitas Negeri Semarang.

[img]
Preview
PDF - Published Version
Download (936Kb)

    Abstract

    Didunia medis, metode decision dan algoritma C4.5 telah banyak diterapkan dan terbukti sukses dalam pembuatan sistem diagnosis. Meskipun algoritma C4.5 menghasilkan decision tree yang akurat dan efisien akan tetapi decision tree yang di hasilkan mudah mengalami overfitting. Tujuan dari penelitian ini adalah menerapkan metode Reduced Error Pruning (REP) untuk mengurangi permasalahan overfitting pada decision tree sistem diagnosis dehidrasi pada anak. Pada penelitian ini dataset yang digunakan dalam proses klasifikasi sebanyak 92 data yang dibagi menjadi 2 bagian : training set (57 data) dan test set (35 data). Variabel input yang digunakan merupakan gejala medis pada dehidrasi yaitu keadaan umum, mata, nafas, turgor dan membran mukosa. Sedangkan Variabel output yang digunakan adalah derajat dehidrasi yang diklasifikasikan menjadi 3 kategori yaitu dehidrasi berat, dehidrasi sedang dan bukan dehidrasi. Decision tree dibangun dengan menggunakan algoritma C4.5 kemudian dipangkas / pruning dengan metode REP. Validasi dilakukan dengan cara membandingkan kemampuan klasifikasi decision tree sistem diagnosis dehidrasi pada anak dengan metode REP dan tanpa menggunakan metode REP. Dari penelitian yang telah dilakukan, didapatkan hasil bahwa decision tree yang tidak menggunakan metode REP mempunyai akurasi 85%, error rate 0,142857143 dan mengasilkan 12 rule. Sedangkan pada decision tree yang menggunakan metode REP mempunyai akurasi sebesar 91%, error rate 0,085714286 dan menghasilkan 9 rule. Berdasarkan hasil yang didapatkan, bisa disimpulkan bahwa penerapan metode REP pada decision tree dapat mengurangi permasalahan overfitting dengan mehasilkan peningkatan kemampuan klasifikasi dan membuat bentuk decision tree menjadi lebih sederhana.

    Item Type: Thesis (Under Graduates)
    Uncontrolled Keywords: Kata kunci: C4.5, Decision Tree, Dehidrasi, Reduced Error Pruning
    Subjects: L Education > L Education (General) > Development of Learning Media
    L Education > LB Theory and practice of education > Development of Learning Materials
    T Technology > Information and Computer > Information System
    T Technology > Computer Engineering
    Fakultas: Fakultas Teknik > Pendidikan Teknik Informatika dan Komputer, S1
    Depositing User: Eko Handoyo Eko
    Date Deposited: 30 Jul 2018 09:20
    Last Modified: 30 Jul 2018 09:20

    Actions (login required)

    View Item