Pemilihan Fitur Dengan Information Gain Untuk Klasifikasi Penyakit Gagal Ginjal Menggunakan Metode Modified K-Nearest Neighbor (MKNN)
Main Author: | Hasibuan, Muhammad Ramanda |
---|---|
Format: | Thesis NonPeerReviewed Book |
Bahasa: | eng |
Terbitan: |
, 2020
|
Subjects: | |
Online Access: |
http://repository.ub.ac.id/180520/1/Muhammad%20Ramanda%20Hasibuan.pdf http://repository.ub.ac.id/180520/ |
Daftar Isi:
- 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%.