Hasibuan, Muhammad Ramanda (2020) Pemilihan Fitur Dengan Information Gain Untuk Klasifikasi Penyakit Gagal Ginjal Menggunakan Metode Modified K-Nearest Neighbor (MKNN). Sarjana thesis, Universitas Brawijaya.
Abstract
Ginjal memiliki peran yang penting dalam tubuh manusia terutama untuk proses ekskresi. Penurunan fungsi ginjal dapat mengakibatkan gagal ginjal. Deteksi gagal ginjal menggunakan data medis yang mempunyai fitur faktor-faktor penyakit gagal ginjal, data ini ini dapat diolah dan dibuat sebuah sistem cerdas yang mampu mambantu mendeteksi penyakit gagal ginjal. Klasifikasi adalah salah satu metode yang bisa dilakukan untuk mengolah data penyakit gagal ginjal. Salah satu metode dari klasifikasi adalah Modified K-Nearest Neighbor (MKNN), metode MKNN melakukan penempatan kelas data sesuai dengan nilai K pada data latih yang dihitung validitasnya, lalu melakukan perhitungan Weight Voting, sehingga dapat menghasilkan nilai akurasi yang lebih kuat dan stabil. Kekurangan dari metode MKNN adalah prosesnya menggunakan semua fitur yang ada, sehingga dapat menyebabkan kesalahan deteksi karena ada beberapa fitur yang kurang relevan. Oleh karena itu pada penelitian ini ditambahkan metode pemilihan fitur yaitu Information Gain, metode Information Gain menghitung nilai Gain pada tiap fitur yang ada, fitur dengan nilai Gain yang besar akan semakin baik digunakan untuk proses klasifikasi. Pada hasil pengujian variasi jumlah fitur setelah diseleksi dan pengaruh variasi nilai K, menghasilkan nilai akurasi tertinggi pada 4 fitur dengan nilai K = 2 dan 4 menghasilkan nilai akurasi 97,7% dan pada 6 fitur dengan nilai K = 2 dan 4 menghasilkan nilai akurasi 97,7%. Untuk pengujian sistem menggunakan Information Gain menghasilkan nilai akurasi 96,8% dan yang tidak menggunakan Information Gain menghasilkan nilai akurasi 79,9%.
English Abstract
Kidney has an important role in human body, especially for the excretion process. Decreased kidney function can result in chronic kidney disease. Detection of chronic kidney disease using medical data that use features as factors of kidney failure, this data can be processed and build an intelligent system from it, that can help detect kidney failure. Classification is one of method that can be used to process chronic kidney disease data. Modified K-Nearest Neighbor (MKNN) is one of classification method, the MKNN method places data classes in accordance with the K values in the training data which data validity is calculated, then calculates Weight Voting, to produce stronger and more stable accuracy values. The weakness of the MKNN method is in the process using all available features, so it can cause an error detection because there are some features that are less relevant. Therefore in this research, a feature selection method is added, namely Information Gain, Information Gain method calculates the Gain value for each feature, features with large Gain values will be better used for the classification process. On the results of testing variations numbers of features after selection and the effect of variations of K values, produces the highest accuracy value on 4 features with K values = 2 and 4 produces an accuracy value of 97,7% and on 6 features with K values = 2 and 4 produces an accuracy value of 97,7%. For the system testing using Information Gain produces an accuracy value of 96,8% and those not using Information Gain produce an accuracy value of 79,9%.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2020/44/052003006 |
| Uncontrolled Keywords: | Gagal Ginjal, Klasifikasi, Pemilihan Fitur, Information Gain, Modified K-NN. Chronic Kidney Disease, Classification, Feature Selection, Information Gain, Modified K-NN. |
| Subjects: | 600 Technology (Applied sciences) > 616 Diseases > 616.6 Diseases of urogenital system > 616.61 Diseases of kidneys and ureters |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 05 Aug 2020 08:14 |
| Last Modified: | 19 Sep 2024 02:05 |
| URI: | http://repository.ub.ac.id/id/eprint/180520 |
Preview |
Text
Muhammad Ramanda Hasibuan.pdf - Published Version Download (8MB) | Preview |
Actions (login required)
 |
View Item |