Halaman Data Jurnal
| Judul Jurnal | Perbandingan Algoritma Machine Learning untuk klasifikasi Amenorrhea |
|---|---|
| Nama Lengkap | Indah Lestari |
| Nama Pembimbing 1 | Muhammad Akbar, S.T., M.IT |
| Nama Pembimbing 2 | Bunga Intan, M.Kom |
| Abstrak Jurnal | Masalah yang terdapat pada penelitian ini yaitu kurangnya penelitian yang dilakukan pada perbandingan algoritma dalam mengklasifikasi Amenorrhea sehinnga masih banyak yang sering mengabaikan masalah tersebut atau bahkan masih banyak yang belum paham mengenai Amenorrhea. Karena keterbatasan informasi yang menjelaskan masalah ini. Tujuan dari penelitian ini yaitu membandingkan algoritma k-NN, SVM, Decision Tree, dan Naïve Bayes untuk mengklasifikasi Amenorrhea. Dimana data pada penelitian ini yaitu dataset yang diperoleh dari salah satu repository google dataset. Pada penelitian ini dihitung nilai akurasi, dari perhitungan tersebut dapat diperoleh nilai akurasi k-NN tertinggi yaitu 0.99. Kata Kunci: Amenorrhea,k-NN,Svm,Decision Tree,Naïve Bayes,dataset,repository Abstract The problem in this study is the lack of research conducted on comparison algorithms in classifying Amenorrhea so that many often ignore this problem or even many do not understand Amenorrhea. Due to the limited information that describes this problem. The purpose of this research is to compare the k-NN, SVM, Decision Tree, and Naïve Bayes algorithms to classify Amenorrhea. Where the data in this study are datasets obtained from one of the google dataset repositories. In this study, the accuracy value was calculated. the highest k-NN accuracy value can be obtained, namely 0.99. Keywords: Amenorrhea,k-NN,Svm,Decision Tree,Naïve Bayes,dataset,repository |
| Daftar Pustaka | [1] L. Sitoayu, D. A. Pertiwi, and E. Y. Mulyani, “Kecukupan zat gizi makro, status gizi, stres, dan siklus menstruasi pada remaja,” J. Gizi Klin. Indones., vol. 13, no. 3, p. 121, 2017, doi: 10.22146/ijcn.17867. [2] C. Magdalena and T. Bolon, “Gambaran Faktor – Faktor Penyebab Terjadinya Amenorea Pada Remaja Putri Di Desa Helvetia Timur Kecamatan Helvetia Medan Periode April-Juni Tahun 2012,” J. Ilm. Keperawatan, vol. 1, no. 1, pp. 16–20, 2015, [Online]. Available: http://kampusimelda.ac.id/images/download/penelitian/JIKep1.1-feb-03.pdf [3] A. Isroqmi, “Kemampuan Mahasiswa Memahami Logika Pemrograman Komputer Melalui Algoritma,” Nabla Dewantara J. Pendidik. Mat., vol. 2, no. 2, pp. 59–73, 2017, [Online]. Available: http://www.ejournal.unitaspalembang.ac.id/index.php/nabla/article/view/43/41 [4] Dwi Retnosari, “Sistem Aplikasi Data Mining Untuk Menampilkan,” J. Integr. Sist. Ind. UMJ, vol. 1, no. 2, pp. 13–20, 2014. [5] L. N. Rani, “Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit,” INOVTEK Polbeng - Seri Inform., vol. 1, no. 2, p. 126, 2016, doi: 10.35314/isi.v1i2.131. [6] Sitti Rohmah and Y. P. Rusady, “Hubungan Status Gizi Dengan Kejadian Amenorea Pada Siswi SMP 1 Pandewangi,” J. Satuan Bakti Bidan Untuk Negeri (Sakti Bidadari), vol. 4, no. 2, 2021, [Online]. Available: http://www.journal.uim.ac.id/index.php/bidadari/article/view/1178 [7] D. Y. Heryadi and M. C. Teguh Wahyono, machine learning konsep dan implementasi, Cetakan 1. yogyakarta: GAVA MEDIA, 2020. [8] Ardiyansyah, P. A. Rahayuningsih, and R. Maulana, “Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner,” J. Khatulistiwa Inform., vol. VI, no. 1, pp. 20–28, 2018. [9] A. N. Syahrudin and T. Kurniawan, “Input dan Output pada Bahasa Pemrograman Python,” J. Dasar Pemrograman Python STMIK, no. June 2018, pp. 1–7, 2018, [Online]. Available: https://www.researchgate.net/publication/338385483 [10] M. F. Rahman, D. Alamsah, M. I. Darmawidjadja, and I. Nurma, “Klasifikasi Untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network (RBNN),” J. Inform., vol. 11, no. 1, p. 36, 2017, doi: 10.26555/jifo.v11i1.a5452. [11] A. M. Argina, “Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes,” Indones. J. Data Sci., vol. 1, no. 2, pp. 29–33, 2020, doi: 10.33096/ijodas.v1i2.11. [12] S. AULIA, S. HADIYOSO, and D. N. RAMADAN, “Analisis Perbandingan KNN dengan SVM untuk Klasifikasi Penyakit Diabetes Retinopati berdasarkan Citra Eksudat dan Mikroaneurisma,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 3, no. 1, p. 75, 2015, doi: 10.26760/elkomika.v3i1.75. [13] M. R. Yuliansyah, M. B, and A. Franz, “Perbandingan Metode K-Nearest Neighbors dan Naïve Bayes Classifier Pada Klasifikasi Status Gizi Balita di Puskesmas Muara Jawa Kota Samarinda,” Adopsi Teknol. dan Sist. Informasi(ATASI), vol. 1, no. 1, pp. 8–20, 2022, [Online]. Available: https://e-journals2.unmul.ac.id/index.php/atasi/article/view/25/30 [14] S. Wiyono, “Perbandingan Algoritma Machine Learning SVM dan Decision Tree untuk Prediksi Keaktifan Mahasiswa,” Sinkron, vol. 3, no. 1, pp. 105–108, 2018. [15] T. A.M and A. Yaqin, “Perbandingan Algoritma Naïve Bayes, K-Nearest Neighbors dan Random Forest untuk Klasifikasi Sentimen Terhadap BPJS Kesehatan pada Media Twitter,” InComTech J. Telekomun. dan Komput., vol. 12, no. 1, p. 01, 2022, doi: 10.22441/incomtech.v12i1.13642. [16] S. Shedriko, “Perbandingan Algoritma SVM dan KNN dalam Mengklasifikasi Kelulusan Mahasiswa pada Suatu Mata Kuliah,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 6, no. 2, p. 115, 2021, doi: 10.30998/string.v6i2.9160. |