PEMILIHAN ATRIBUT TERBAIK PADA PREDIKSI PENYAKIT DIABETES BERDASAR ALGORITMA KLASIFIKASI ID3

Efendi, Muhamad Subhan and Wibawa, Helmie Arif (2018) PEMILIHAN ATRIBUT TERBAIK PADA PREDIKSI PENYAKIT DIABETES BERDASAR ALGORITMA KLASIFIKASI ID3. Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

655Kb

Abstract

Penyakit diabetes atau sering disebut dengan penyakit kencing manis adalah suatu penyakit gangguan metabolik menahun yang ditandai oleh kadar glukosa dalam darah yang melebihi nilia normal. Penyakit diabetes sering disebut sebagai silent killer dengan mengacu pada banyaknya yang tidak menyadari bahwa dirinya terkena penyakit diabetes sampai diketahui sudah kronis. Hal ini memicu peningkatan jumlah penderita diabetes dari tahun ke tahun. Penelitian ini mencoba menerapkan pemilihan atribut terbaik dalam memprediksi penyakit diabetes berdasar algoritma klasifikasi Data Mining. Untuk pemilihan atribut terbaik digunakan algoritma seleksi atribut Correlation based Feature Selection (CFS) dan Information Gain Sedangkan algoritma klasifikasi yang digunakan adalah algoritma ID3. Berdasarkan hasil penelitian ini diperoleh bahwa performa tertinggi dicapai ketika algoritma ID3 menggunakan 5 atribut yaitu glukosa darah puasa, glukosa darah 2 jam, glukosa urin puasa, glukosa urin 2 jam, dan aseton urin puasa. Dimana kelima atribut tersebut diperoleh menggunakan algoritma Correlation based Feature Selection (CFS) dengan nilai rata-rata akurasi sebesar 84.77, nilai rata-rata sensitifity sebesar 87.18, nilai rata-rata specificity sebesar 82.37, dan nilai rata-rata FNR sebesar 12.82.

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:65808
Deposited By:Mrs. Rismiyati .
Deposited On:11 Oct 2018 15:53
Last Modified:11 Oct 2018 15:53

Repository Staff Only: item control page