Metode Fuzzy ID3 Untuk Klasifikasi Status Preeklamsi Ibu Hamil

Angka Kematian Ibu (AKI) di Indonesia meningkat terus mulai tahun 2007 (SDKI 2012). Salah satu penyebab utamanya adalah penyakit hipertensi. Istilah hipertensi pada ibu hamil disebut dengan preeklamasi. Metode Fuzzy Decision Tree Iterative Dichotomiser 3 (ID3) digunakan untuk mengelompokkan penyakit preeklamsi menjadi 3 kelas yaitu normal, waspada preeklamsi ringan, dan bahaya preeklamsi berat. Pada penelitian ini terdapat 6 variabel yang digunakan yaitu tekanan darah sistolik, tekanan darah diastolik, usia ibu, usia kehamilan, protein urine, dan odema. Tujuan dari klasifikasi adalah membantu tenaga medis dalam memberikan tindakan kepada pasien (ibu hamil) agar diagnosisnya tepat sasaran dan lebih cepat dalam membantu pengambilan keputusan. Tahapan metode ID3 adalah melakukan inisialisasi nilai atribut fuzzy, perhitungan entropy, dan mencari nilai information gain. Uji coba sistem menggunakan algoritma k-fold cross validation serta menghitung akurasi menggunakan confusion matrix. Berdasarkan hasil uji coba, k-fold 5 mempunyai akurasi terbesar yaitu 98,44%, presisi terbesar 96,66%, dan recall terbesar 97,61%.

Download Full-text

IMPLEMENTASI FUZZY DECISION TREE UNTUK PREDIKSI PENYAKIT LIVER PADA DATASET ILPD (INDIAN LIVER PATIENT DATASET)

POSITIF Jurnal Sistem dan Teknologi Informasi ◽

10.31961/positif.v5i2.773 ◽

2019 ◽

Vol 5 (2) ◽

pp. 71

Author(s):

Ied Andro Medha ◽

Dian Puspita Sari

Keyword(s):

Decision Tree ◽

Cross Validation ◽

Receiver Operating Characteristics ◽

Decision Threshold ◽

Fuzzy Decision ◽

Fuzzy Decision Tree ◽

Operating Characteristics ◽

Control Threshold ◽

Fold Cross Validation ◽

Receiver Operating

Hati manusia adalah salah satu organ utama dalam tubuh dan penyakit liver dapat menyebabkan banyak masalah dalam kehidupan manusia. Hati mengubah zat beracun menjadi nutrisi dan kemudian tubuh menggunakannya untuk mengendalikan tingkat hormon dalam tubuh. Prediksi penyakit liver yang cepat dan akurat memungkinkan perawatan dini dan efektif. Perkembangan dari teknologi komputer membuat pekerjaan diagnosis atau pengambilan keputusan menjadi lebih mudah. Di dalam machine learning memungkinkan sebuah komputer mampu untuk memutuskan atau memberikan saran yang tepat. Uji coba telah dilakukan menggunakan algoritme fuzzy decision tree dengan menggunakan beberapa nilai threshold yaitu fuzziness control threshold (𝜃𝑟) dan leaf decision threshold (𝜃𝑛) yang telah di tentukan dengan metode uji coba 10-fold cross validation dan diperoleh hasil akurasi sebesar 78.95%. Dikarenakan akurasi tersebut di peroleh di beberapa nilai threshold yang berbeda, maka untuk mengetahui kinerja akurasi yang baik digunakanlah metode receiver operating characteristics (ROC) sehingga hasil ROC menunjukkan bahwa akurasi yang paling optimal 78.95% berada saat 𝜃𝑟=75%,77%,80%,82%,85%, 87%,90%,92%,95%,98% dan 𝜃𝑛=6%.Kata Kunci: Penyakit Liver, Fuzzy Decision Tree, K-Fold Cross Validation dan Receiver Operating Characteristics

Download Full-text

Implementasi Deteksi Warna Pada Game Finding Color Menggunakan Ekstraksi Fitur Warna dan Fuzzy Decision Tree

Jurnal Teknik Informatika dan Sistem Informasi ◽

10.28932/jutisi.v6i1.2388 ◽

2020 ◽

Vol 6 (1) ◽

Author(s):

Risna Hasanah ◽

Eka Wahyu Hidayat ◽

Neng Ika Kurniati

Keyword(s):

Feature Extraction ◽

Decision Tree ◽

Confusion Matrix ◽

Fuzzy Decision ◽

Fuzzy Decision Tree ◽

Color Classification ◽

Color Feature ◽

Decision Tree Classification ◽

Color Detection ◽

Tree Game

Recognizing color is an ability that must be trained from an early age. But the ability to recognize color in early childhood is still low. One of the most preferred media by children is games. Android mobile games have the advantage of providing interactive multimedia, challenges, and rewards. Finding Color games can be used to help children play actively in exploring and observing colors in the surrounding environment because they can detect colors using the camera. The stages in color detection in games are feature extraction and color classification. Color feature extraction will get the color value at the selected pixel coordinates on the screen. The color classification uses fuzzy decision tree ID3. The test results of the application of color feature extraction produce an accuracy value of 100%. The fuzzy decision tree classification is evaluated using a confusion matrix, resulting in an accuracy value in outdoor light conditions of 94.4%. There is an increase of 4.4% compared to indoor conditions. Keywords— Color Detection; Color Feature Extraction; Fuzzy Decision Tree; Game; Mobile Android

Download Full-text

PERBANDINGAN TINGKAT AKURASI METODE KNN DAN DECISION TREE DALAM MEMPREDIKSI LAMA STUDI MAHASISWA

Jurnal Ilmiah Binary STMIK Bina Nusantara Jaya Lubuklinggau ◽

10.52303/jb.v3i1.40 ◽

2021 ◽

Vol 3 (1) ◽

pp. 6-14

Author(s):

Endang Etriyanti

Keyword(s):

Data Mining ◽

Decision Tree ◽

Cross Validation ◽

Nearest Neighbor ◽

Confusion Matrix ◽

K Nearest Neighbor ◽

Fold Cross Validation

Kualitas lulusan dari sebuah Perguruan Tinggi salah satunya dapat dilihat dari lama studi mahasiswa. Selain itu lama studi mahasiswa menggambarkan tingkat capaian mahasiswa dalam pendidikannya. Lama studi juga sangat berpengaruh pada kualitas program studi karena lama studi mahasiswa merupakan salah satu kriteria penilaian akreditasi. Seringkali masalah yang dihadapi oleh suatu Perguruan Tinggi adalah banyaknya mahasiswa yang menyelesaikan pendidikannya lebih dari jangka waktu yang ditetapkan. STMIK Bina Nusantara Jaya Lubuklinggau juga mengalami hal tersebut. Untuk mengantisipasi hal tersebut perlu adanya prediksi lama studi mahasiswa karena lama studi mahasiswa menjadi salah satu hal yang penting yang perlu diperhatikan bagian program studi dalam suatu Perguruan Tinggi. Penelitian ini berkontribusi secara teoretis dalam implementasi data mining untuk memprediksi lama studi mahasiswa.Penelitian ini menerapkan preprocessing data untuk memperoleh data dengan kualitas baik sebelum dilakukan proses mining menggunakan metode K-Nearest Neighbor dan Decision Tree pada Tools RapidMiner, kedua metode divalidasi menggunakan K-Fold Cross Validation (dengan 10 kali iterasi/pengulangan) dan Confusion Matrix digunakan untuk memvalidasi nilai akurasi hasil prediksi. Nilai akurasi yang paling tinggi dari hasil penerapan kedua metode akan direkomendasikan untuk menyelesaikan masalah prediksi lama studi mahasiswa. Dari hasil penelitian diperoleh nilai akurasi metode Decision Tree (60,38%) lebih baik jika dibandingkan dengan nilai akurasi metode K-Nearest Neighbor (53,08%).

Download Full-text