Yusuf Muhammad, Nur Zaman (2022) Metode Near Miss Undersampling untuk Optimalisasi Dataset pada Model Prediksi Penyakit Stroke. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Yusuf Muhammad Nur Zaman-H1A018043-Skripsi-2022.pdf Download (286kB)
	PDF (Legalitas) LEGALITAS-Yusuf Muhammad Nur Zaman-H1A018043-Skripsi-2022.pdf Restricted to Repository staff only Download (2MB)
	PDF (Abstrak) ABSTRAK-Yusuf Muhammad Nur Zaman-H1A018043-Skripsi-2022.pdf Download (551kB)
	PDF (BabI) BAB-I-Yusuf Muhammad Nur Zaman-H1A018043-Skripsi-2022.pdf Restricted to Repository staff only Download (257kB)
	PDF (BabII) BAB-II-Yusuf Muhammad Nur Zaman-H1A018043-Skripsi-2022.pdf Restricted to Repository staff only Download (459kB)
	PDF (BabIII) BAB-III-Yusuf Muhammad Nur Zaman-H1A018043-Skripsi-2022.pdf Restricted to Repository staff only Download (313kB)
	PDF (BabIV) BAB-IV-Yusuf Muhammad Nur Zaman-H1A018043-Skripsi-2022.pdf Restricted to Repository staff only Download (589kB)
	PDF (BabV) BAB-V-Yusuf Muhammad Nur Zaman-H1A018043-Skripsi-2022.pdf Restricted to Repository staff only Download (205kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Yusuf Muhammad Nur Zaman-H1A018043-Skripsi-2022.pdf Download (158kB)
	PDF (Lampiran) LAMPIRAN-Yusuf Muhammad Nur Zaman-H1A018043-Skripsi-2022.pdf Restricted to Repository staff only Download (2MB)

Abstract

Stroke merupakan kondisi yang terjadi ketika suplai darah ke otak terganggu atau berkurang akibat adanya penyumbatan atau pecahnya pembuluh darah. Pada tahun 2018 penyakit stroke menjadi penyebab kematian nomor satu di Indonesia, salah satu penyakit dengan tingkat prevalensi yang tinggi, dan juga biaya pre-diagnosis dan pengobatan yang tidak murah. Beberapa data set medis yang memiliki dua kelas atau binomial class mengalami ketidakseimbangan kelas, hal ini disebut dengan imbalanced dataset, yaitu suatu kondisi ketika kelas tujuan yang akan diklasifikasi tidak memiliki rasio yang seimbang. Sehingga menyebabkan hasil klasifikasi yang bias karena classifier akan lebih condong mendeteksi kelas mayoritas dibanding dengan kelas minoritas. Kasus imbalanced dataset ini dapat diatasi dengan menerapkan metode Near-Miss undersampling. Berdasarkan hasil pelatihan dan penelitian, model dengan dataset orisinil memiliki nilai skor f1, precision, dan recall bernilai 0.00, sedangkan model yang menggunakan dataset hasil dari near-miss undersampling versi 1 memiliki skor f1 sebesar 0.731, skor precision sebesar 0.717, dan skor recall sebesar 0.745, lalu model yang menggunakan dataset hasil dari near-miss undersampling versi 2 memiliki skor f1 sebesar 0.660, skor precision sebesar 0.673, dan skor recall sebesar 0.647, dan model yang menggunakan dataset hasil dari near-miss undersampling versi 3 memiliki skor f1 sebesar 0.747, skor precision sebesar 0.673, dan skor recall sebesar 0.725. Sehingga model dengan menggunakan dataset hasil near-miss undersampling memiliki performa yang jauh lebih baik dalam klasifikasi.

Actions (login required)

View Item