Oktavia, Tiara (2025) Analisis Data Mining Perbandingan Algoritma Support Vector Machine dan Random Forest Pada Klasifikasi Subtipe Anemia. S1 thesis, Universitas Malikussaleh.

	Text TIARA OKTAVIA_210170239_Cover.pdf Download (143kB)
	Text TIARA OKTAVIA_210170239_Abstrak.pdf Download (110kB)
	Text TIARA OKTAVIA_210170239_Bab I.pdf Download (181kB)
	Text TIARA OKTAVIA_210170239_Daftar Pustaka.pdf Download (173kB)
	Text TIARA OKTAVIA-210170239_ANALISIS DATA MINING PERBANDINGAN ALGORITMA SUPPORT VEKTOR MACHINE DAN RANDOM FOREST PADA KLASIFIKASI SUBTIPE ANEMIA.pdf Restricted to Registered users only Download (4MB)

Abstract

Anemia merupakan suatu kondisi di mana jumlah sel darah merah atau kadar hemoglobin (Hb) dalam darah berada di bawah nilai normal yang dapat mengganggu distribusi oksigen ke seluruh jaringan tubuh. Deteksi dini dan klasifikasi subtipe anemia sangat penting untuk menentukan penanganan yang tepat. Riset ini dilakukan di RSUD Cut Meutia Kabupaten Aceh Utara dengan tujuan mengembangkan model klasifikasi subtipe anemia berbasis data mining menggunakan pendekatan metode Support Vector Machine dan Random Forest. Proses riset ini mengacu pada tahapan CRISP-DM (Cross Industry Standard Process for Data Mining), yang mencakup pemahaman terhadap konteks bisnis, eksplorasi data, tahap persiapan data, pembangunan model, evaluasi performa model, hingga penyajian hasil akhir. Dataset yang digunakan mencakup parameter medis seperti umur, jenis kelamin, Diagnosa dan hasil pemeriksaan Complete Blood Count (CBC). Sebanyak 80% data digunakan untuk pelatihan model, sementara sisanya 20% digunakan untuk pengujian dan diolah menggunakan Python di Google colab. Berdasarkan hasil evaluasi, algoritma Random Forest menunjukkan performa terbaik dengan akurasi sebesar 96,94%, rata-rata precision 0,969385, recall 0,969385, f1-score 0,969385, dan waktu pemrosesan yang relatif singkat yaitu 18,31 detik. Sebaliknya, algoritma Support Vektor Machine hanya mampu menghasilkan nilai akurasi hingga 92,15%, dengan mean precision 0,92154, recall 0,92154, f1-score 0,92154, namun waktu pemrosesan yang jauh lebih cepat yakni 1,30 detik. Berdasarkan hasil tersebut, Random Forest dinilai lebih efektif dan efisien dalam klasifikasi subtipe anemia dan dapat direkomendasikan dalam pengembangan sistem pendukung keputusan di bidang kesehatan. Kata Kunci: Anemia, Data Mining, Klasifikasi, Support Vektor Machine, Random Forest.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Tiara Oktavia Tiara
Date Deposited:	24 Sep 2025 04:58
Last Modified:	24 Sep 2025 04:58
URI:	https://rama.unimal.ac.id/id/eprint/16171

Actions (login required)

View Item