Penggunaan Algoritma Random Over Sampling untuk Mengatasi Masalah Imbalance Data pada Klasifikasi Gizi Balita

Utomo, Syam Suryo (2020) Penggunaan Algoritma Random Over Sampling untuk Mengatasi Masalah Imbalance Data pada Klasifikasi Gizi Balita. Undergraduate thesis, Universitas Muhammadiyah Jember.

	Text a. Pendahuluan.pdf Download (1MB)
	Text b. Abstrak.pdf Download (343kB)
	Text c. BAB I.pdf Download (338kB)
	Text d. BAB II.pdf Restricted to Repository staff only Download (1MB) \| Request a copy
	Text e. BAB III.pdf Restricted to Repository staff only Download (1MB) \| Request a copy
	Text f. BAB IV.pdf Restricted to Repository staff only Download (608kB) \| Request a copy
	Text g. BAB V.pdf Restricted to Repository staff only Download (258kB) \| Request a copy
	Text h. DAFTAR PUSTAKA.pdf Download (259kB)
	Text i. LAMPIRAN.pdf Restricted to Repository staff only Download (4MB) \| Request a copy
	Text j. JURNAL.pdf Download (1MB)

Abstract

Puskesmas Tegaldlimo adalah salah satu unit pelaksana kesehatan yang ada didaerah kecamatan dan mempunyai fungsi salah satunya melakukan upaya pemenuhan akan gizi dan kesehatan anak usia bawah lima tahun (balita). Di Puskesmas Tegaldlimo sampai 2018 tercatat ada sebanyak 1186 balita, disini ada empat status gizi yang menurut penulis sangat jauh perbedaannya yaitu “gizi baik”, “gizi kurang”, “gizi lebih”, ”gizi buruk”, dengan rincian gizi baik sebanyak 1101 balita, gizi kurang sebanyak 39 balita, gizi lebih sebanyak 39 balita dan gizi buruk sebanyak 7 balita. Untuk mencari solusi masalah ketidakseimbangan kelas pada dataset, diusulkan model dengan pendekatan level data. Perancangan model yang diusulkan meliputi perancangan pendekatan level data ROS, dan algoritma pengklasifikasian berbasis Naive Bayes. Hasilnya menunjukkan bahwa model Naive Bayes menghasilkan akurasi Excellent (Sangat Baik) dengan rata – rata akurasi yang dihasilkan adalah 0,957844. Sedangkan akurasi dengan model ROS + NB cenderung lebih rendah atau dibisa dikatakan belum maksimal untuk meningkatkan nilai akurasi dengan memiliki rata – rata yaitu 0,528716 Fail (Gagal) dalam mengklasifikasi dataset Puskesmas, hal ini dikarenakan jumlah data yang sangat signifikan banyak dari data “gizi baik” dan akan mempengaruhi hasil Akurasi dari Random Over Sampling + Naive Bayes.

Item Type:

Thesis (Undergraduate)

Uncontrolled Keywords:

Random Over Sampling, Ketidakseimbangan Kelas, Naive Bayes, Akurasi

Subjects:

000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science
600 Technology and Applied Science

Divisions:

Faculty of Engineering > Department of Informatics Engineering (S1)

Department:

["eprint_fieldopt_department_KODEPRODI55201#TEKNIK INFORMATIKA" not defined]

Depositing User:

Utomo Syam Suryo