{JALUR SCIENTIST} KLAFIKASI PENYAKIT PCOS MENGGUNAKAN FEATURE SELECTION RFECV DAN EDA DENGAN METODE ALGORITMA KNN

Pitaloka, Nadhira Triadha (2023) {JALUR SCIENTIST} KLAFIKASI PENYAKIT PCOS MENGGUNAKAN FEATURE SELECTION RFECV DAN EDA DENGAN METODE ALGORITMA KNN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (430kB)
	Text (ISI) ISI.pdf Restricted to Registered users only Download (974kB)
	Archive (SOURCE CODE) Jalur Scientist Source Code - Nadhira Triadha Pitaloka.zip Restricted to Repository staff only Download (175kB)

Abstract

Sindrom ovarium polikistik merupakan kelainan endokrin pada ovarium yang menyebabkan terganggunya hormonal pada wanita usia reproduksi dimana sekresi androgen pada ovarium wanita dengan Polycystic Ovary Syndrome (PCOS) berlebih dibandingkan dengan wanita normal. Hal ini biasanya terjadi pada wanita dengan obesitas yang ditandai oleh ketidak teraturan siklus menstruasi, anovulasi kronis, hiperandrogenisme bahkan adanya infertilitas. Upaya yang digunakan untuk mengobati penyakit ini berupa terapi hormon, laparoscopic ovarian drilling, dan in-vitro fertilization. Akan tetap ketiga terapi tersebut terfokus pada terapi simptomatis dan kurang efektif dalam mengatasi infertilitas terkait PCOS. Mendeteksi penyakit PCOS sejak dini sangat diperlukan agar pencegahan dan pengobatan dapat segera dilakukan. Oleh karena itu dilakukan klasifikasi untuk mendeteksi penyakit PCOS dengan dapat menganalisis data yang memiliki tingkat akurasi tinggi. Metode yang digunakan untuk klasifikasi penyakit PCOS ini yaitu menggunakan metode K Nearest Neighbor (KNN) yang sebelumnya dilakukan proses selection feature yaitu metode Exploratory Data Analysis (EDA) yang digunakan untuk proses analisis data dengan cara pendekatan analisis terhadap data untuk mengetahui metode yang paling akurat dan dengan metode seleksi Recursive Feature Elimination and Cross-Validation (RFECV) yang mengurutkan (rangking) fitur berdasarkan tingkat pentingnya terhadap proses prediksi. Selanjutnya proses klasifikasi data menggunakan algoritma K-Nearest Neighbors (KNN). Hasil dari proses feature selection Exploratory Data Analysis (EDA) dihasilkan 10 data atribut yang digunakan dan dilanjutkan proses Recursive Feature Elimination and Cross-Validation (RFECV) dengan dihasilkan 7 atribut terpenting yang digunakan dan terakhir proses metode K-Nearest Neighbors (KNN) memiliki tingkat akurasi tinggi dengan menghasilkan nilai akurasi 93%, precision 82%, recall 100%, dan F1 Score 90%.

Actions (login required)

View Item