SETIAWAN, Zahwa Aqila Nabilia (2023) Perbandingan Metode Support Vector Machine dan Random Forest untuk Klasifikasi Penyakit Stroke Tahun 2019 - 2022. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Zahwa Aqila Nabilia Setiawan-K1B019012-Skripsi-2023.pdf Download (110kB)
	PDF (Legalitas) LEGALITAS-Zahwa Aqila Nabilia Setiawan-K1B019012-Skripsi-2023.pdf Restricted to Repository staff only Download (3MB)
	PDF (Abstrak) ABSTRAK-Zahwa Aqila Nabilia Setiawan-K1B019012-Skripsi-2023.pdf Download (169kB)
	PDF (BabI) BAB-I-Zahwa Aqila Nabilia Setiawan-K1B019012-Skripsi-2023.pdf Restricted to Repository staff only Download (117kB)
	PDF (BabII) BAB-II-Zahwa Aqila Nabilia Setiawan-K1B019012-Skripsi-2023.pdf Restricted to Repository staff only Download (475kB)
	PDF (BabIII) BAB-III-Zahwa Aqila Nabilia Setiawan-K1B019012-Skripsi-2023.pdf Restricted to Repository staff only Download (129kB)
	PDF (BabIV) BAB-IV-Zahwa Aqila Nabilia Setiawan-K1B019012-Skripsi-2023.pdf Restricted to Repository staff only Download (643kB)
	PDF (BabV) BAB-V-Zahwa Aqila Nabilia Setiawan-K1B019012-Skripsi-2023.pdf Download (43kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Zahwa Aqila Nabilia Setiawan-K1B019012-Skripsi-2023.pdf Download (173kB)
	PDF (Lampiran) LAMPIRAN-Zahwa Aqila Nabilia Setiawan-K1B019012-Skripsi-2023.pdf Restricted to Repository staff only Download (1MB)

Abstract

Stroke merupakan penyakit yang menyebabkan kematian nomor satu di Indonesia. Kejadian stroke di Indonesia, dalam kurun waktu satu tahun, dapat terjadi pada 100 sampai 300 orang per 100.000 jumlah penduduk. Penyakit Stroke Non Hemoragik dan Stroke Hemoragik tergolong sebagai kasus emergency, sehingga diperlukan diagnosis secara cepat dan tepat untuk mengurangi risiko cacat permanen. Klasifikasi adalah satu metode yang dapat digunakan untuk memprediksi suatu kejadian atau keputusan yang akan datang berada di suatu titik tertentu. Metode klasifikasi yang dapat digunakan untuk memprediksi jenis stroke pada seorang pasien adalah SVM dan Random Forest. Analisis klasifikasi SVM dan Random Forest pada penelitian ini dilakukan dengan menggunakan data pasien stroke RSUD Prof. Dr. Margono Soekarjo Tahun 2019 – 2022. Tingkat akurasi klasifikasi dari metode SVM dengan Kernel Linear, Polynomial (C=1), RBF (C=1) dan Sigmoid (C=0,1) masing-masing adalah 92,7%, 97,5%, 97,6%, dan 83,2%. Adapun hasil akurasi klasifikasi dengan menggunakan metode Random Forest sebesar 97,6%. Metode SVM Kernel RBF dan Random Forest dikatakan memiliki kemampuan yang setara dalam melakukan klasifikasi karena memiliki selisih nilai akurasi yang sangat kecil yaitu 0,1% dari SVM (Kernel Polynomial). Namun, metode Random Forest dengan ntree=500, mtry=7, dan hasil akurasi akhir 97,6% dapat dikatakan memiliki performa lebih unggul dari metode SVM (Kernel Polynomial dan Kernel RBF) karena memiliki nilai kurva ROC paling tinggi yaitu 99,7%. Oleh karena itu, peneliti merekomendasikan untuk menggunakan kedua metode yaitu SVM dan Random Forest dalam melakukan klasifikasi terhadap penyakit stroke untuk mendapatkan hasil yang lebih baik.

Actions (login required)

View Item