(Similarity) Perbandingan Metode K-Nearest Neighbor Dan Gaussian Naive Bayes Untuk Klasifikasi Penyakit Stroke

Rachmad, Maula Ulfatul Dinda and OKTAVIANTO, HARDIAN and Rahman, Miftahur (2022) (Similarity) Perbandingan Metode K-Nearest Neighbor Dan Gaussian Naive Bayes Untuk Klasifikasi Penyakit Stroke. Universitas Muhammadiyah Jember.

Text artikel Hardian JST 06 plagiasi-1-12.pdf Download (981kB)

Abstract

Stroke adalah kondisi bahaya yang perlu ditangani secepatnya, karena sel otak dapat mati dalam hitungan menit. Kematian secara mendadak mungkin terjadi apabila seorang pasien mengalami yang sangat parah. Penanganan yang cepat dapat mengurangi tingkat kerusakan pada otak dan kemungkinan timbulnya komplikasi. Maka perlu dilakukan prediksi orang tersebut terkena penyakit stroke atau tidak. Salah satu cara untuk memprediksi penyakit stroke yaitu menggunakan klasifikasi. Penyakit stroke perlu diklasifikasi agar dapat memprediksi penyakit dengan akurat. Hasil prediksi yang akurat membantu praktisi kesehatan dalam mengambil keputusan dengan tepat. Metode klasifikasi yang digunakan pada penelitian ini yaitu membandingkan algoritma K-Nearest Neighbor dan Gaussian Naive Bayes. Hasil yang diperoleh dari penelitian ini pada algoritma K-Nearest Neighbor didapatkan dengan hasil akurasi sebesar 68,30%, presisi sebesar 67,20% dan recall sebesar 73,34%, sedangkan pada algoritma Gaussian Naive Bayes mendapatkan hasil akurasi sebesar 74,45%, presisi sebesar 74,01% dan recall sebesar 75,71%. Dari perbandingan akurasi, presisi dan recall dapat dilihat bahwa terdapat peningkatan akurasi sebesar 6,15%, presisi sebesar 6,81% dan recall sebesar 2,37%, sehingga membuktikan bahwa kinerja algoritma Gaussian Naive Bayes lebih baik

Item Type:	Peer Review
Subjects:	000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science
Divisions:	Faculty of Engineering > Department of Informatics Engineering (S1)
Depositing User:	Hardian Oktavianto
Date Deposited:	18 Jan 2023 02:48
Last Modified:	30 Mar 2023 00:58
URI:	http://repository.unmuhjember.ac.id/id/eprint/16064

Actions (login required)

View Item