ANALISIS DAN PENERAPAN MODEL MACHINE LEARNING UNTUK KLASIFIKASI DATASET PENYAKIT ANEMIA

Prasetyo, Adi (2025) ANALISIS DAN PENERAPAN MODEL MACHINE LEARNING UNTUK KLASIFIKASI DATASET PENYAKIT ANEMIA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (245kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (829kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (414kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (80kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (230kB)
	Archive (SOURCE CODE) Sourcecode - 21.12.2248.zip Restricted to Repository staff only Download (25kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (689kB)

Abstract

Anemia merupakan salah satu masalah kesehatan masyarakat yang serius di tingkat global, terutama bagi kelompok rentan seperti anak-anak, remaja putri, wanita hamil, dan wanita dalam masa nifas. Menurut World Health Organization (WHO), prevalensi anemia mencapai 40% pada anak usia 6–59 bulan, 37% pada wanita hamil, dan 30% pada wanita usia 15–49 tahun. Tingginya prevalensi ini menandakan perlunya strategi deteksi dan penanganan yang lebih tepat guna mengurangi dampak negatif terhadap kualitas hidup masyarakat. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi model-model machine learning dalam klasifikasi penyakit anemia. Algoritma yang digunakan meliputi Decision Tree, K-Nearest Neighbor (KNN), Naive Bayes, dan Random Forest. Evaluasi performa dilakukan dengan pendekatan dua metode resampling, yaitu SMOTE (Synthetic Minority Oversampling Technique) dan ADASYN (Adaptive Synthetic Sampling), serta tiga variasi rasio pembagian data pelatihan dan pengujian, yaitu 70:30, 80:20, dan 90:10. Hasil evaluasi menunjukkan bahwa model Decision Tree yang dikombinasikan dengan metode resampling SMOTE dan rasio data pelatihanpengujian 80:20 memberikan performa terbaik. Model ini mencapai akurasi sebesar 99,60%, presisi 98,89%, recall 99,79%, dan F1-score 99,31%. Temuan ini menunjukkan bahwa pemanfaatan algoritma machine learning, khususnya Decision Tree dengan teknik resampling yang tepat, berpotensi besar dalam mendukung proses klasifikasi anemia secara lebih akurat dan efisien. Penelitian lanjutan disarankan untuk menggunakan dataset yang lebih besar dan bervariasi, mencakup data dari berbagai institusi kesehatan agar model yang dikembangkan memiliki daya generalisasi yang lebih baik.

Actions (login required)

View Item