PEMODELAN MACHINE LEARNING PADA DATA PASIEN DIAGNOSIS DEMAM TIFOID MENGGUNAKAN METODE K-NEAREST NEIGHBOR

Arifiantono, Aditya Bagus (2024) PEMODELAN MACHINE LEARNING PADA DATA PASIEN DIAGNOSIS DEMAM TIFOID MENGGUNAKAN METODE K-NEAREST NEIGHBOR. Undergraduate thesis, Universitas Muhammadiyah Jember.

	Text 1. Halaman Depan.pdf Download (1MB)
	Text 2. Abstrak.pdf Download (430kB)
	Text 3. BAB I.pdf Download (320kB)
	Text 4. BAB II.pdf Restricted to Repository staff only Download (858kB) | Request a copy
	Text 5. BAB III.pdf Restricted to Repository staff only Download (724kB) | Request a copy
	Text 6. BAB IV.pdf Restricted to Repository staff only Download (569kB) | Request a copy
	Text 7. BAB V.pdf Restricted to Repository staff only Download (535kB) | Request a copy
	Text 8. DAFTAR PUSTAKA.pdf Download (431kB)
	Text 9. LAMPIRAN.pdf Restricted to Repository staff only Download (767kB) | Request a copy

Abstract

Diagnosis demam tifoid merupakan tantangan dalam praktek medis sehari-hari, memerlukan pendekatan yang teliti dan efektif untuk memastikan ketepatan diagnosa. Penelitian ini menggunakan pendekatan Machine Learning dengan metode K-Nearest Neighbor (KNN) dan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan dataset. Data yang digunakan berasal dari pasien yang terdiagnosis demam tifoid dan non-demam tifoid, yang dikumpulkan dari puskesmas di Malang, Jawa Timur. Metode preprocessing mencakup eliminasi atribut yang tidak relevan dan pengkodean label untuk transformasi data kategorial menjadi numerik. Hasil pemodelan menunjukkan bahwa parameter terbaik untuk KNN adalah Metric = Euclidean, Weights = Uniform, dan n_Neighbors = 3, dengan rata-rata akurasi mencapai 86%. Model ini memiliki presisi 87% untuk kelas A01 (demam tifoid), dan recall 100% untuk kelas A01, menunjukkan kemampuan yang baik dalam mengklasifikasikan kasus demam tifoid. Namun, model menunjukkan tantangan dalam mengidentifikasi kelas “Unspecified” dengan presisi dan recall yang rendah. Implementasi SMOTE berhasil meningkatkan presisi kelas A01 menjadi 95% dan recall kelas “Unspecified” menjadi 71%. Meskipun demikian, akurasi total pengujian mengalami penurunan menjadi 73% karena perubahan distribusi kelas setelah penerapan SMOTE. Meskipun demikian, hasil ini menunjukkan bahwa model tetap mampu mengklasifikasikan data uji secara efektif dalam konteks diagnosa demam tifoid. Penelitian ini memberikan kontribusi penting dalam meningkatkan akurasi diagnosa demam tifoid menggunakan pendekatan Machine Learning, yang dapat memberikan panduan berharga bagi praktisi kesehatan dalam meningkatkan efisiensi dan ketepatan diagnosa penyakit ini.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	demam tifoid, Machine Learning, K-Nearest Neighbor (KNN), SMOTE
Subjects:	000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science
Divisions:	Faculty of Engineering > Department of Informatics Engineering (S1)
Depositing User:	Aditya Bagus Arifiantono
Date Deposited:	20 Jul 2024 01:39
Last Modified:	20 Jul 2024 01:39
URI:	http://repository.unmuhjember.ac.id/id/eprint/21987

Actions (login required)

View Item