PENERAPAN METODE PARTICLE SWARM OPTIMIZATION (PSO) DAN ALGORITMA GENETIKA DALAM OPTIMASI AKURASI PREDIKSI PADA STATUS GIZI IBU HAMIL DI KOTA LHOKSEUMAWE

Angelina, Difa (2024) PENERAPAN METODE PARTICLE SWARM OPTIMIZATION (PSO) DAN ALGORITMA GENETIKA DALAM OPTIMASI AKURASI PREDIKSI PADA STATUS GIZI IBU HAMIL DI KOTA LHOKSEUMAWE. S1 thesis, Universitas Malikussaleh.

This is the latest version of this item.

	Text Difa Angelina_200180112_Cover.pdf Download (159kB)
	Text Difa Angelina_200180112_Abstrak.pdf Download (351kB)
	Text Difa Angelina_200180112_Bab 1.pdf Download (422kB)
	Text Difa Angelina_200180112_Daftar Pustaka.pdf Download (297kB)
	Text Difa Angelina_200180112_Penerapan Metode Particle Swarm Optimization (PSO) dan Algoritma Genetika dalam Optimasi Akurasi Prediksi pada Status Gizi Ibu Hamil di Kota Lhokseumawe.pdf Restricted to Registered users only Download (20MB)

Abstract

Penelitian ini dilatar belakangi oleh rendahnya akurasi prediksi model Naive Bayes ketika diterapkan dalam perhitungan pada sebuah set data status gizi ibu hamil di kota lhokseumawe, sehingga dilakukan penelitian yang bertujuan untuk mengevaluasi pengaruh penerapan Particle Swarm Optimization (PSO) dan algoritma genetika terhadap akurasi prediksi algoritma Naive Bayes sebagai metode optimasi. Pada penelitian ini, digunakan data set status gizi ibu hamil di kota Lhokseumawe yang diambil dari empat puskesmas di kota Lhokseumawe. Dengan menggunakan algoritma klasifikasi Naive Bayes, data set ibu hamil tersebut kemudian diproses melalui serangkaian perhitungan untuk menentukan tingkat akurasi prediksi dari algoritma yang digunakan yang dapat ditingkatkan melalui proses optimasi. Evaluasi dilakukan untuk membandingkan akurasi prediksi antara Naive Bayes tanpa optimasi dengan Naive Bayes yang dioptimalkan menggunakan PSO dan algoritma genetika. Metode kuantitatif digunakan dalam penelitian ini, dengan sampel ibu hamil dipilih melalui teknik purposive sampling. Dataset dikumpulkan dari arsip buku poli KIA dan melalui observasi langsung ke lokasi. Proses penelitian melibatkan tahapan pre-processing data, pengolahan menggunakan algoritma klasifikasi Naive Bayes, dan optimasi menggunakan metode Particle Swarm Optimization (PSO) serta algoritma genetika. Hasil penelitian menunjukkan bahwa penggunaan algoritma genetika sebagai metode optimasi pada algoritma klasifikasi naive bayes memberikan peningkatan akurasi prediksi berdasarkan hasil akurasi sebesar 93.81% sementara hasil akurasi PSO dalam pengoptimasisasian pada naive besar berjumlah sama besar, sehingga memiliki hasil selisih sebesar 0.98% dengan hasil akurasi naive bayes tanpa menggunakan metode optimasi apapun yaitu 92.83%. Implikasi dari temuan ini adalah pentingnya mempertimbangkan metode optimasi yang tepat ketika menerapkan sebuah algoritma klasifikasi pada sebuah penelitian untuk meningkatkan kualitas hasil yang didapatkan nantinya. Diharapkan penelitian ini dapat memberikan wawasan yang berharga bagi pembaca maupun peneliti mengenai pengaruh dari pemilihan metode optimasi untuk algoritma yang digunakan pada sebuah penelitian. Kata kunci: Naive Bayes, Metode Optimasi, Particle Swarm Optimization (PSO), Algoritma Genetika, Puskesmas

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik > 57201 - Jurusan Sistem Informasi
Depositing User:	Difa Angelina
Date Deposited:	06 Aug 2024 02:06
Last Modified:	07 Aug 2024 02:13
URI:	https://rama.unimal.ac.id/id/eprint/4004