Implementasi Algoritma Decision Tree C4.5 dan Support Vector Regression untuk Prediksi Penyakit Stroke

Akbar, Firman; Saputra, Hanif Wira; Maulaya, None Adhitya Karel; Hidayat, Muhammad Fikri; Rahmaddeni, Rahmaddeni

doi:10.57152/malcom.v2i2.426

Cited by 9 publications

(13 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Berikut ini adalah tahapan-tahapan dalam algoritma Decision Tree [28]: 1. Persiapkan dataset pelatihan.…”

Section: Decision Treeunclassified

Implementasi Algoritma Decision Tree dan Support Vector Machine (SVM) untuk Prediksi Risiko Stunting pada Keluarga

Putri,

Syarif,

Jayadi

et al. 2024

MALCOM

View full text Add to dashboard Cite

Kondisi kekurangan gizi kronis yang disebabkan oleh asupan makanan yang tidak mencukupi sebagai akibat dari kebiasaan makan yang tidak tepat sesuai dengan gizi yang diperlukan disebut juga dengan stunting. Stunting dapat membuat fisik anak menjadi lebih pendek, selain itu dapat menghambat pertumbuhan dan perkembangan organ lain seperti ginjal, jantung, dan otak pada anak. Meningkatnya kasus stunting pada anak memerlukan upaya pencegahan secara dini. Pada penelitian ini menggunakan 18 atribut dan 5021 record data dari 10 kelurahan Kota Dumai dimana salah satu diantaranya dijadikan sebagai kelas. Pada penelitian ini menerapkan Algoritma Decision Tree dan Support Vactor Machine (SVM) untuk mengetahui algoritma mana yang tepat memproses data tersebut. Hasil prediksi dengan menggunakan Decision Tree pada penelitian ini mendapatkan nilai akurasi sebesar 96.15%, nilai recall Tidak sebesar 92.06% serta Ya sebesar 97.34% dan nilai presisi Tidak sebesar 90.99% serta Ya sebesar 97.68%. Sedangkan dengan menggunakan Algoritma SVM mendapatkan nilai akurasi sebesar 62.48%, nilai recall Tidak sebesar 99.12% serta Ya sebesar 51.80% dan nilai presisi Tidak sebesar 37.49% serta Ya sebesar 99.51%. Berdasarkan penelitian menggunakan data tersebut dapat disimpulkan bahwa akurasai algoritma Decision Tree jauh lebih baik dibandingkan dengan algoritma SVM.

show abstract

“…Berikut ini adalah tahapan-tahapan dalam algoritma Decision Tree [28]: 1. Persiapkan dataset pelatihan.…”

Section: Decision Treeunclassified

Implementasi Algoritma Decision Tree dan Support Vector Machine (SVM) untuk Prediksi Risiko Stunting pada Keluarga

Putri,

Syarif,

Jayadi

et al. 2024

MALCOM

View full text Add to dashboard Cite

show abstract

“…a. Data Cleaning Data Cleaning atau Pembersihan Data bertujuan untuk membersihkan data dari noise atau data yang tidak relevan seperti missing values (terdapat nilai yang hilang), outliers, data duplikat, dan data yang tidak konsisten, kemudian mempersiapkan data agar dapat diolah dan dianalisis dengan baik [13] .…”

Section: Preprocessingunclassified

Komparasi Algoritma K-Nearest Neighbors dan Naïve Bayes dalam Klasifikasi Penyakit Diabetes Gestasional

Ermy Pily,

Oktavianda,

Aprilia

et al. 2024

ijcs

View full text Add to dashboard Cite

Diabetes merupakan penyakit metabolik dengan gejala hiperglikemia akibat gangguan sekresi insulin dan aksi insulin. Diabetes gestasional adalah gangguan toleransi glukosa pada wanita hamil. Saat kehamilan, plasenta menghasilkan hormon baru seperti human placental lactogen (HPL), hormon estrogen, dan hormon peningkat resistensi insulin. Gejala diabetes gestasional tidak selalu mudah dikenali, dan seringkali penderitanya mengalami gejala awal secara tidak sadar. Penelitian ini bertujuan untuk membandingkan performa dua algoritma yaitu K-NN dan Naïve Bayes dengan Feature Selection dalam mengklasifikasikan penderita diabetes gestasional. Hasil error terendah dari feature selection dengan iterasi K=4, memperoleh MAE 0.317, MSE 0.142, dan RMSE 0.377. Hasil akurasi pada model KNN dengan K=5 , tanpa Feature Selection sebesar 80% dan K-NN dengan Feature Selection sebesar 77%. Sementara itu, Naïve Bayes tanpa Feature Selection sebesar 77% dan Naïve Bayes dengan Feature Selection sebesar 80%. Dari hasil tersebut K-NN tanpa Feature Selection dan Naïve Bayes dengan Feature Selection mendapatkan hasil yang lebih baik.

show abstract

“…Ada dua jenis stroke yaitu stroke iskemik dan stroke perdarahan. Insiden stroke iskemik lebih kurang sekitar 83 %, stroke perdarahan berkisar 17% dari kasus kejadian stroke (Akbar et al, 2022).…”

Section: Pendahuluanunclassified

Studi Komparatif Metode Discharge Planning pada Self Care Klien Stroke Ischemic

Tarigan,

Inayah,

Irianto

et al. 2023

JOTING

View full text Add to dashboard Cite

This study aims to determine the effect of implementing discharge planning on self-care for ischemic stroke clients at Advent Hospital and Al Ihsan Hospital, Bandung. The method used is quasi-experiment with pretest-posttest with control group design. The sampling technique uses purposive sampling. The results of the research show that the description of Self Care Behavior before and after discharge planning at the Adventist Hospital is that there is an influence of Discharge Planning intervention using flip sheets (audio visual video) and using ROM training tools, with a p-value of 0.01 < 0.05, and Self Description Care Behavior before and after discharge planning at Al Hospital. Ihsan Bandung, There is an effect of Discharge Planning intervention using leaflets with a p-value of 0.01 < 0.05. Furthermore, the description of Self Care Management before and after discharge planning at the Adventist Hospital shows the influence of the Discharge Planning intervention at the Hospital. Advent used a flip sheet (audio-visual video) and used a ROM training tool with a p-value of 0.01 < 0.05 and there was no effect of Discharge planning intervention in the hospital. Al Ihsan used Leaflet with a p-value of 0.71 > 0.05. The conclusion in this research is that there is an influence before and after discharge planning on self-care behavior in hospitals. Adventist and RS. Al Ihsan, and There is an influence before and after discharge planning is implemented on self-care management in hospitals. Advent but there is no influence before and after discharge planning on self-care management in hospitals. Al Ihsan. Keywords: Discharge Planning, Self Care, Self Management, Stroke

show abstract

Implementasi Algoritma Decision Tree C4.5 dan Support Vector Regression untuk Prediksi Penyakit Stroke

Cited by 9 publications

References 4 publications

Implementasi Algoritma Decision Tree dan Support Vector Machine (SVM) untuk Prediksi Risiko Stunting pada Keluarga

Implementasi Algoritma Decision Tree dan Support Vector Machine (SVM) untuk Prediksi Risiko Stunting pada Keluarga

Komparasi Algoritma K-Nearest Neighbors dan Naïve Bayes dalam Klasifikasi Penyakit Diabetes Gestasional

Studi Komparatif Metode Discharge Planning pada Self Care Klien Stroke Ischemic

Contact Info

Product

Resources

About