Penerapan Optimasi Pso Untuk Meningkatkan Akurasi Algortima Id3 Pada Prediksi Penyakit Ibu Hamil

Abstract

Industri di bidang kesehatan saat ini memiliki sejumlah pusat data yang besar, dari beberapa data sebagian belum dioptimalkan dalam pengolahannya, sehingga informasi didapat tidak dapat di jadikan referensi di dalam pengambilan keputusan oleh pakar di bidang kesehatan. Pre eklampsia pada ibu hamil adalah satu penyakit ibu hamil yang perlu di waspadai di Indonesia karena menjadi penyebab utama kematian ibu dan janin. Penggunaan Data Mining dalam memprediksi sangat diperlukan sehingga praktisi kesehatan dapat dengan mudah dalam pengambilan keputusan. Diperolehnya informasi dalam menerapkan optimasi particle swarm optimization pada algoritma ID3 (Iterative Dichotomiser Three) untuk meningkatkan keakuratan dalam memprediksi penyakit pre eklampsia pada ibu hamil. Algoritma Decision Tree salah satunya ID3, dapat digunakan untuk memprediksi penyakit Pre Eklamsia. Namun masih ada ruang untuk meningkatkan akurasi, yaitu dengan mengoptimasi algoritma ID3 dengan Particle Swarm Optimization (PSO). Data latih dan testing menggunakan dua metode yang pertama adalah Algoritma ID3 kemudian Algoritma ID3 menggunakan optimasi Particle Swarm Optimization (PSO) dari kedua hasil tersebut didapat yang pertama Algoritma ID3 dengan tingkat akurasi sebesar 90.62% dan AUC sebesar 0.857 menghasilkan diagnosanya adalah Good Classification, hasil yang kedua didapatkan tingkat akurasi sebesar 93.33% dengan AUC sebesar 0,906 dari Algortima ID3 dengan optimasi Particle Swarm Optimization hasil tingkat diagnosanya adalah diagnosa Excelent Classification. Dari hasil kedua metode memiliki perbedaan mulai dari tingkat akurasi 3,07% kemudian AUC 0,049.