PREDIKSI STROKE MENGGUNAKAN METODE SYNTHETIC MINORITY OVER SAMPLING TECHNIQUE DAN XTREME GRADIENT BOOSTING

Rahim, Abd Mizwar A. (2022) PREDIKSI STROKE MENGGUNAKAN METODE SYNTHETIC MINORITY OVER SAMPLING TECHNIQUE DAN XTREME GRADIENT BOOSTING. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

[img] Text (THESIS)
19.51.1274 Abd Mizwar A. Rahim.pdf

Download (3MB)

Abstract

Stroke merupakan suatu penyakit atau gangguan fungsional otak berupa lumpuhnya saraf akibat hambatan yang terjadi yaitu aliran darah ke otak yang dapat mengakibatkan lumpuhnya organ tubuh secara menyeluruh atau sebagian, hingga menyebabkan kematian. Stroke merupakan alasan terjadinya kematian seseorang ke dua secara global, sekitar 11% dari total kematian. Terdapat banyak cara agar dapat membantu petugas kesehatan dalam dalam menemukan seseorang terindikasi penyakit stroke atau tidak agar ketika pasien yang mengalami stroke ini dapat ketahui dengan cepat, salah satunya ialah dengan penggunaan Machine learning. terdapat beberapa penelitian sebelumnya dengan study kasus yang sama yaitu prediksi penyakit stroke, dari penelitian yang ada menggunakan beberapa metode machine learning untuk dapat memprediksi seseorang terindikasi penyakit stroke yaitu random forest classifier, ann, svm, c4.5, Naïve bayes, support vector machine,dll sebagainya, hasil penelitian sebelumnya memiliki hasil akurasi yang paling baik adalah 96%, dengan hasil penelitian sebelumnya teknik-teknik yang belum diimplementasikan agar mendapatkan hasil yang optimal. Tujuan dari penelitian ini ialah meningkatkatkan hasil akurasi pada prediksi penyakit stroke menggunakan metode Smote dan machine learning dengan algoritma Xtreme Gradient Boosting untuk mendapatkan hasil akurasi yang lebih baik dari akurasi yang dihasilkan sebelumnya. penggunaan metode Xgboost tanpa menggunakan smote mampu menaikan 1% dari hasil terbaik penelitian sebelumnya yaitu sebesar 96% akurasi, lalu penggunaan metode Xgboost dan menggunakan smote mampu menaikan 3% dari hasil terbaik penelitian sebelumnya yaitu sebesar 99% akurasi.

Item Type: Thesis (S2 - Magister)
Contributor:
Pembimbing
Sunyoto, Andi
Arief, M. Rudyanto
Uncontrolled Keywords: Machine Learning, Prediksi stroke, Xtreme Gradient Boosting, Smote, Ensemble Learning
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 001 Ilmu pengetahuan
Divisions: Pascasarjana MTI > Magister Teknik Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 12 Jul 2023 01:46
Last Modified: 12 Jul 2023 02:28
URI: http://eprints.amikom.ac.id/id/eprint/20305

Actions (login required)

View Item View Item