Perbandingan algoritma naive bayes dan decision tree C4.5 untuk klasifikasi readmisi pasien diabetes menggunakan pengukuran HBA1C / Asa Luki Setiawan
| Main Author: | Setiawan, Asa Luki |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2019
|
| Online Access: |
http://repository.um.ac.id/99010/ |
Daftar Isi:
- RINGKASANLukiAsa.2019.PerbandinganAlgoritmaNaveBayesDanDecisionTreeC4.5UntukKlasifikasiReadmisiPasienDiabetesMenggunakanPengukuranHbA1c.Skripsi.JurusanTeknikElektroFakultasTeknikUniversitasNegeriMalang.Pembimbing(I)HaritsArRosyidS.T.M.T.Ph.D.Pembimbing(II)UtomoPujiantoS.Kom.M.Kom.KatakunciDiabetesNaveBayesDecisionTreeC4.5KlasifikasiDiabetesmerupakanpenyakitgangguanmetabolikakibatpankreastidakmemproduksicukupinsulinatautubuhtidakdapatmenggunakaninsulinyangdiproduksisecaraefektif.PemeriksaanHbA1c(glycatedhemoglobin)sangatpentinguntukmengetahuikondisipasiendiabetes.PemeriksaanHbA1cbertujuanuntukmengukurkadarglukosarata-ratapasienselama2-3bulankebelakang.Tesiniakanmengukurkadarguladarahyangterikatpadahemoglobinyaituproteinyangberfungsimembawaoksigendalamdarah.ReadmisiRumahSakit(HospitalReadmission)merupakansuatutindakanataukejadianseorangpasiendirawatkembaliyangsebelumnyatelahmendapatkanlayananrawatinapdirumahsakit.Prosesreadmisidikaitkandenganperhitungankualitaspenangananpasiendirumahsakit.PenelitianinibertujuanuntukmengetahuiperbandingankinerjaAlgoritmaNaveBayesdanDecisionTreeC4.5dalammengklasifikasireadmisipasiendiabetesberdasarkanpasienyangmelakukanpemeriksaanHbA1csaja.Penelitianinijugamembandingkankinerjabeberapametodepreprocessingdalammelakukanpermodelanhasilklasifikasinantinya.Terdapatdelapanskenariodalammembandingkantahapanpreprocessingdanmetodealgoritmasekaligus.PerbandinganpreprocessingyangdilakukanantaralaindenganmembandingkankinerjaSyntheticMinorityOver-SamplingTechnique(SMOTE)denganmetodefeatureselection.Hasilpenelitianiniberupahasilkinerjaterbaikuntukklasfikasireadmisirumahsakitdaribeberapaskenarioujicobayangtelahdilakukan.MetodealgoritmaC4.5menunjukanhasilevaluationmetricsterbaikdalammengklasifikasikanreadmisipasiendiabetesdenganskenarioyangmengkombinasikanmetodepreprocessingSMOTEdanfeatureselectionhasilperhitungannyaantaralainakurasisebesarsebesar82.74%precision87.1%danrecall827%.PadaskenarioyangsamaalgoritmaNaveBayesmendapatkannilaiakurasisebesar79.39%precision7950%danrecall7940%.