ANALISIS PERBANDINGAN ALGORITMA SVM, NAIVE BAYES, DAN RANDOM FOREST DALAM KLASIFIKASI PENERIMA VAKSIN INFLUENZA

Aziz, Dzaky Hamid Al (2026) ANALISIS PERBANDINGAN ALGORITMA SVM, NAIVE BAYES, DAN RANDOM FOREST DALAM KLASIFIKASI PENERIMA VAKSIN INFLUENZA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (994kB)
	Text (BAB I) BAB I.pdf - Published Version Download (230kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (366kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (66kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (140kB)
	Archive (SOURCE CODE) Sourcecode - 22.12.2587.zip - Published Version Restricted to Repository staff only Download (37MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (636kB)

Abstract

Teknologi dan akses kesehatan yang maju belum sepenuhnya mampu menghentikan penyebaran virus influenza yang masih menjadi ancaman kesehatan masyarakat di Indonesia akibat penyebarannya yang cepat. Meskipun vaksinasi merupakan tindakan pencegahan yang efektif, tingkat penerimaannya masih rendah karena faktor-faktor seperti kurangnya pemahaman, karakteristik individu, budaya, dan keterbatasan akses, yang mengakibatkan perlindungan kesehatan di masyarakat tidak merata. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Support Vector Machine (SVM), Naïve Bayes, dan Random Forest dalam mengklasifikasikan penerimaan vaksin influenza dengan menggunakan metodologi CRISP-DM (Cross-Industry Standard Process for Data Mining), yang mencakup tahapan dari business understanding hingga evaluation. Dengan menggunakan data sekunder dari Kaggle.com, hasil penelitian menunjukkan bahwa Random Forest mencapai kinerja terbaik dengan akurasi sebesar 85%, disusul oleh SVM sebesar 83% dan Naïve Bayes sebesar 70%. Hal ini membuktikan keunggulan Random Forest dalam menangani data yang kompleks dan tidak seimbang, dan temuan ini diharapkan dapat menjadi referensi ilmiah untuk pengembangan data yang lebih luas serta membantu proses pengambilan keputusan dan edukasi di bidang kesehatan masyarakat.

Actions (login required)

View Item