Performa Klasifikasi K-NN dan Cross Validation Pada Data Pasien Pengidap Penyakit Jantung

Azis, Huzain; Purnawansyah, Purnawansyah; Fattah, Farniwati; Putri, Inggrianti Pratiwi

doi:10.33096/ilkom.v12i2.507.81-86

Cited by 25 publications

(26 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pengujian hasil dilakukan menggunakan metode k-fold cross validation. K-fold cross validation adalah salah satu teknik dari cross validation dengan cara membagi menjadi K bagian data set yang akan diuji [22]…”

Section: Pengujian Hasilunclassified

Convolutional Neural Network (Cnn) Untuk Menentukan Gagrak Wayang Kulit

2022

View full text Add to dashboard Cite

Indonesia adalah negara yang kaya akan keragaman budaya, salah satu dari budaya Indonesia adalah Wayang Kulit. Wayang kulit di Indonesia memiliki beragam gagrak, mulai dari Cirebon, Solo, Jawa-Timuran, Yogyakarta dan lain sebagainya. Keberagaman dari gagrak wayang kulit membuat generasi muda kesulitan untuk mengetahui gagrak dari wayang kulit. Dari permasalahan tersebut, peneliti akan mengembangkan sebuah machine learning dengan menggunakan Convolutional Neural Network (CNN) untuk menentukan gagrak wayang kulit. Tujuan penelitian ini adalah menghasilkan machine learning yang bisa menentukan gagrak dari wayang kulit. Data yang digunakan pada penelitian ini terdiri dari 280 gambar wayang kulit yang diunduh satu persatu di platform Facebook dan Google penelusuran gambar, warna latar belakang gambar tersebut diubah menjadi putih dan diubah ukuran menjadi 640*480 pixel. Data tersebut disebarkan melalui google form dan dilakukan validasi menggunakan Inter-annotator Agreement sehingga dapat digunakan pada proses pelatihan dengan metode CNN di Google Colab. Setelah itu dilakukan pengujian untuk menentukan gagrak wayang kulit menggunakan 3 arsitektur CNN yaang sudah dibuktikan pada penelitian-penelitian sebelumnya. Hasil dari penelitian ini menunjukan bahwa arsitektur yang digunakan oleh Sudiatmika & Dewi merupakan model klasifikasi terbaik dari ketiga arsitektur, arsitektur tersebut mendapatkan akurasi sebesar 92,27%, presisi sebesar 92,22%, recall sebesar 96,85% dan f-measure sebesar 91,93%.

show abstract

Section: Pengujian Hasilunclassified

Convolutional Neural Network (Cnn) Untuk Menentukan Gagrak Wayang Kulit

2022

View full text Add to dashboard Cite

show abstract

“…Seperti yang dilakukan oleh (Samponu & Kusrini, 2018) menghasilkan akurasi 2% lebih tinggi dibandingan tidak menggunakan cross validation. Kemudian hasil temuan yang dilakukan oleh peneliti sebelumnya menyatakan bahwa bahwa penggunaan cross validation dapat meningkatkan nilai akurasi (Azis et al, 2020;Rhomadhona & Permadi, 2019;Ulfah & Anam, 2020). Pada penelitain ini juga terjadi kenaikan akurasi menjadi 92% dengan Nilai K Optimal adalah 6.…”

Section: Pembahasanunclassified

Prediksi Penambahan Piutang Iuran Jaminan Sosial Ketenagakerjaan menggunakan Algoritma K-Nearest Neighbor

Efriadi¹,

Rahmaddeni²,

Agustin³

et al. 2022

Edumatic

View full text Add to dashboard Cite

There are several issues with Social Security Organizing Agency (BPJS) employment at the moment, one of which is contribution receivable. To reduce the BPJS contribution receivables, BPJS has done various ways. However, the resulting effort is not maximal enough to reduce the number of receivables in BPJS. This study aims to provide input by predicting the addition of receivables from social security contributions made by several companies or organizations. This study used the K-Nearest Neighbor (KNN) Algorithm with a cross-validation technique. KNN is a very simple classification method in classifying an image based on the closest distance to its neighbors. This study conducted data processing from BPJS use, which amounted to 1193 data. The data is then preprocessed so that the processed data is clean from missing and noise, this data uses 70:30 data splitting. After the preprocessing and splitting of data were carried out, the next step was to do modeling using KNN, so the cross-validation to improve the accuracy of results obtained from the KNN algorithm. The results obtained from this research get the highest accuracy of 92% with the Optimal K value being 6, then the ROC curve gets 94% accuracy. From these results, it can be said that the use of cross-validation can increase the accuracy of this study.

show abstract

“…Pada tahap pengujian menggunakan model K-Fold Cross Validation untuk muji tingkat akurasi dari algoritma C4.5 yang digunakan. Cross-validasi atau dapat disebut estimasi rotasi adalah sebuah teknik validasi model untuk menilai bagaimana hasil statistik analisis akan menggeneralisasi kumpulan data independen [16]. K-fold cross validation merupakan salah satu teknik dari validasi silang yang digunakan menghilangkan bias pada data.…”

Section: K-fold Cross Validationunclassified

Penerapan Algoritma C4.5 Dalam Memprediksi Ketersediaan Uang Pada Mesin ATM

Syahputra¹,

Hartono²,

Rosnelly³

2021

mib

View full text Add to dashboard Cite

This study aims to provide an evaluation of the availability of money in ATM machines using data mining. Data mining with the C4.5 algorithm is used to predict cash demand or total cash withdrawals at ATMs. To determine the need for ATM cash based on cash transaction data. It is hoped that this forecasting can help the monitoring department in making decisions about the money requirements that must be allocated to each ATM machine. The results of this study are expected to assist the ATM management unit in optimizing and monitoring the availability of money at an ATM machine for cash needs, so that it can provide optimal service to customers. Algortima C4.5 is an algorithm that is able to form a decision tree, where the decision tree will then generate new knowledge. The results of the test matched the data on the availability of money at the ATM machine. The results of implementing the C4.5 method on the availability of money at the ATM machine are seen from the travel time to the ATM location and also the remaining balance in the machine. The resulting decision tree model is to make the balance variable as the root, then the travel time as a branch at Level 1 with the variables fast, medium, long, and the bank becomes a branch at the last level (Level 2). Then the C4.5 algorithm was tested using the K-Fold Cross validation method with the value of fold = 10, it can be seen that the accuracy rate is 85%, the Precision value is 80% and the Recall value is 66.67%. While the AUC (Area Under Curve) value is 0.833, this shows that if the AUC value approaches the value 1, the accuracy level is getting better

show abstract

Performa Klasifikasi K-NN dan Cross Validation Pada Data Pasien Pengidap Penyakit Jantung

Cited by 25 publications

References 9 publications

Convolutional Neural Network (Cnn) Untuk Menentukan Gagrak Wayang Kulit

Convolutional Neural Network (Cnn) Untuk Menentukan Gagrak Wayang Kulit

Prediksi Penambahan Piutang Iuran Jaminan Sosial Ketenagakerjaan menggunakan Algoritma K-Nearest Neighbor

Penerapan Algoritma C4.5 Dalam Memprediksi Ketersediaan Uang Pada Mesin ATM

Contact Info

Product

Resources

About