ARDIANTO, MUHAMMAD REZANUR (2024) KOMPARASI ALGORITMA KLASIFIKASI K-NEAREST NEIGHBOUR, NAÏVE BAYES, dan DECISION TREE UNTUK MEMPREDIKSI PENYAKIT DIABETES DENGAN MENGGUNAKAN RAPIDMINER STUDIO. S1 thesis, Universitas Mercu Buana - Buncit.
|
Text (COVER)
41520110043 - MREZANUR - 02 Cover.pdf Download (939kB) | Preview |
|
|
Text (ABSTRAK)
41520110043 - MREZANUR - 03 Abstrak.pdf Download (129kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB 1)
41520110043 - MREZANUR - 04 BAB 1.pdf Restricted to Registered users only Download (430kB) |
|
|
Text (BAB 2)
41520110043 - MREZANUR - 05 BAB 2.pdf Restricted to Registered users only Download (964kB) |
|
|
Text (BAB 3)
41520110043 - MREZANUR - 06 BAB 3.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB 4)
41520110043 - MREZANUR - 07 BAB 4.pdf Restricted to Registered users only Download (603kB) |
|
|
Text (BAB 5)
41520110043 - MREZANUR - 08 BAB 5.pdf Restricted to Registered users only Download (177kB) |
|
|
Text (DAFTAR PUSTAKA)
41520110043 - MREZANUR - 09 Daftar Pustaka.pdf Restricted to Registered users only Download (201kB) |
|
|
Text (LAMPIRAN)
41520110043 - MREZANUR - 10 Lampiran.pdf Restricted to Registered users only Download (1MB) |
Abstract
Penyakit diabetes merupakan ibu dari segala macam penyakit karena dampak dari penyakit diabetes adalah akan menimbukan komplikasi terhadap penyakit mematikan lainnya seperti serangan jantung dan stroke yang setiap tahunnya mengakibatkan kematian 3,8 juta jiwa. Penyakit diabetes tidak dapat sembuh sepenuhnya namun jika telah terkenda diabetes dapat melakukan jaga pola makan, olahraga yang teratur, dan juga konsumsi obat. Oleh karena itu salah satu cara menghindari penyakit diabetes adalah dengan cara meghindari atau mencegah penyakit diabetes salah satu caranya adalah dengan memiliki informasi apa saja yang menyebabkan diabetes terjadi. Dengan data yang dimiliki dan kemampuan dunia IT yang dapat memprediksi sebuah kejadian diharpakan dapat membantu masyarakat untuk mendapatkan informasi yang berguna untuk mencegah terkenanya penyakit diabetes. Kumpulan data ini didapat dari situs data dunia Kaggle yang berasal dari Neha Prerna Tigga dan Dr. Shruti Garg dari the Department of Computer Science and Engineering, sebanyak 952 data yang terdiri dari 17 variable dan 1 class target. Penelitian ini menggunakan model algoritma KNN, Naïve Bayes, dan Decision Tree, serta penetuan nilai K-fold cross validation yang bertujuan untuk memprediksi pengukuran diagnostik apakah seorang pasien menderita diabetes. Untuk mencapai tingkat akurasi terbaik, Pada data penyakit diabetes yang ditemukan terdiri dari Age, Gender, Family_Diabetes, highBP, PhysicallyActive, BMI, Smoking, Alcohol, Sleep, SoundSleep, RegularMedicine, JunkFood, Stress, BPLevel, Pregancies, Pdiabetes, UriationFreq, dan Diabetic sebagai Output. Berdasarkan hasil dari penelitian yang telah dilakukan didapatkan kesimpulan bahwa Algoritma KNN sangat cocok untuk memprediksi penyakit Diabetes karena memiliki nilai akurasi sebesar 96,13% % pada nilai K fold cross validation bernilai 10 dan konstanta KNN bernilai 2.
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41520110043 |
| Uncontrolled Keywords: | Algoritma knn, Algortima Naïve Bayes, Decision Tree, RapidMiner Studio, Diabetes |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika |
| Divisions: | Fakultas Ilmu Komputer > Informatika |
| Depositing User: | Nasruddin Mansyur S.Hum |
| Date Deposited: | 20 Aug 2024 03:10 |
| Last Modified: | 20 Aug 2024 03:10 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/90369 |
Actions (login required)
 |
View Item |
