Identifikasi Jenis Penyakit Mental Ansietas Menggunkan Metode Modified K-Nearest Neighbor (MKNN)

Sakti, Zubaidah Al Ubaidah (2019) Identifikasi Jenis Penyakit Mental Ansietas Menggunkan Metode Modified K-Nearest Neighbor (MKNN). Sarjana thesis, Universitas Brawijaya.

Abstract

Dari semua lapisan dalam masyarakat dan segala usia pasti pernah mengalami ansietas atau kecemasan, dari yang ringan sampai berat yang biasa disebut disorder. Tidak semua orang tahu bagaimana mengatasi ansietas dan jika dibiarkan saja dapat menjadi penyakit mental yang berbahaya pada kesehatan jiwa dan bahkan fisik seseorang. Ansietas sendiri memiliki enam jenis antara lain yaitu General Anxiety Disorder, Panic Disorder, Social Anxiety Disorder, Specific Phobia, Obsessive Compulsive Disorder, dan Post Traumatic Stress Disorder. Penelitian ini dilakukan dengan mengidentifikasi jenis ansietas yang didasari dari hasil kuisioner Hamilton Rating Scale of Anxiety (HIRS) dengan metode klasifikasi Modified K-Nearest Neighbor (MKNN). Berbeda dengan K-Nearest Neighbor (KNN) MKNN merupakan hasil perubahan dari metode tersebut dimana pada MKNN data training akan diolah pada proses validasi terlebih dahulu untuk mengurangi adanya outlier dan tahap selanjutnya dilakukan pembobotan pada penentuan kelasnya. Penelitian ini menunjukan bahwa metode MKNN dapat mengidentifikasi ansietas lebih baik pada data tidak seimbang dengan data training yang dipakai sebanyak 96 data dengan data testing yang digunakan ada sebanyak 24 data, nilai h=1 dan nilai K optimum yaitu 3 yang menghasilkan nilai rata-rata akurasi pada data seimbang sebesar 93,333% sedangkan pada data tidak seimbang dengan nilai K optimum yaitu 2 dihasilkan akurasi sebesar 95%. Pada penelitian ini juga dihasilkan hasil perbandingan metode KNN yang membuktikan bahwa pada kasus ini metode KNN lebih unggul daripada MKNN baik pada data seimbang dan tidak seimbang dikarenakan adanya noise pada data saat proses voting pembobotan, dan pengujian K-Fold Cross Validation membuktikan adanya bias data minimum pada dataset dan sistem dapat dikatakan cukup handal.

English Abstract

On every levels of society and age must have experienced anxiety, from early state to disorder state. Not everyone knows how to deal with it, if it not treated it would become dangerous mental illness for mental and physical condition. There are six kind of anxiety , that is General Anxiety Disorder, Panic Disorder, Social Anxiety Disorder, Specific Phobia, Obsessive Compulsive Disorder, and Post Traumatic Stress Disorder. In this research will be conducted the identification for kind of anxiety based on Hamilton Rating Scale of Anxiety (HIRS) questionnaire with Modified K-nearest Neighbor (MKNN) for the research method. Unlike K-Nearest Neighbor (KNN), MKNN is another version of that where on MKNN training data must be validated first and for the class voting would be weighted. This research indicates that MKNN could identify anxiety better on unbalanced data used 96 training data and 24 test data with value of h=1 and optimum value of K=3 with best average result 95%, while on balanced data with optimum value of K=2 best average result is 93,333%. This research also indicates as comparison with KNN that in this case resulted on KNN has better result processing balanced and unbalanced data because of noisy data on weighted process, and the result from K-fold Cross Validation that conclude the system is capable enough.

Item Type: Thesis (Sarjana)
Identification Number: SKR/FILKOM/2019/36/051902206
Uncontrolled Keywords: ansietas, penyakit mental, MKNN-anxiety, mental illness, MKNN
Subjects: 600 Technology (Applied sciences) > 616 Diseases > 616.8 Diseases of nervous system and mental disorders > 616.89 Mental disorders
Divisions: Fakultas Ilmu Komputer > Teknik Informatika
Depositing User: soegeng sugeng
Date Deposited: 09 Jun 2020 06:18
Last Modified: 19 Oct 2021 09:18
URI: http://repository.ub.ac.id/id/eprint/168870
[thumbnail of Zubaidah Al Ubaidah Sakti.pdf]
Preview
Text
Zubaidah Al Ubaidah Sakti.pdf

Download (3MB) | Preview

Actions (login required)

View Item View Item