OPTIMASI KLASIFIKASI IMBALANCED DATA MENGGUNAKAN ADAPTIVE MODIFIED HIDDEN LAYER NEURAL NETWORK DAN SELEKSI FITUR PADA DATA REKAM MEDIS

ASTUTI, LASTRI WIDYA and Ermatita, Ermatita and Rini, Dian Palupi (2025) OPTIMASI KLASIFIKASI IMBALANCED DATA MENGGUNAKAN ADAPTIVE MODIFIED HIDDEN LAYER NEURAL NETWORK DAN SELEKSI FITUR PADA DATA REKAM MEDIS. Doctoral thesis, Sriwijaya University.

	Image RAMA_21001_03043681823006_cover.jpeg - Cover Image Available under License Creative Commons Public Domain Dedication. Download (146kB)
	Text RAMA_21001_03043681823006_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (10MB) | Request a copy
	Text RAMA_21001_03043681823006.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (6MB) | Request a copy
	Text RAMA_21001_03043681823006_0013096707_0023027804_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (889kB)
	Text RAMA_21001_03043681823006_0013096707_0023027804_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (554kB) | Request a copy
	Text RAMA_21001_03043681823006_0013096707_0023027804_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (398kB) | Request a copy
	Text RAMA_21001_03043681823006_0013096707_0023027804_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (819kB) | Request a copy
	Text RAMA_21001_03043681823006_0013096707_0023027804_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (100kB) | Request a copy
	Text RAMA_21001_03043681823006_0013096707_0023027804_06_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (159kB) | Request a copy
	Text RAMA_21001_03043681823006_0013096707_0023027804_07_lamp.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (4MB) | Request a copy

Abstract

Data Rekam Medis merupakan bagian penting dalam bidang kesehatan guna membantu dalam deteksi dan penegakkan diagnosis penyakit. Peningkatan jumlah data pasien meyebabkan tingginya perbedaan hasil diagnosa antara pasien normal dengan positif sakit yang menimbulkan ketidakseimbangan data. Ketidakseimbangan data menyebabkan penurunan nilai akurasi pada proses klasifikasi untuk mendeteksi penyakit karena distribusi data yang tidak seimbang. Beberapa penelitian terdahulu telah melakukan optimasi dengan menambahkan metode untuk menyeimbangkan data atau memodifikasi beberapa algoritma pembelajaran mesin dengan cara mengabungkan, membuat fungsi tambahan atau memperbaiki dari pra proses, penetapan fitur dan modifikasi algoritma klasifikasi. Pada penelitian ini Untuk meningkatkan akurasi hasil, model arsitektur klasifikasi diusulkan melalui perbaikan metode oversampling dengan memodifikasi metode Synthetic Minority Oversampling Technique (SMOTE), mengubah perhitungan jarak dengan metode Minkowski dan menambahkan entropy sebagai estimasi nilai bobot untuk mengetahui jumlah sampel yang akan dibuat. Model arsitektur yang diusulkan juga menambahkan perbandingan metode pemilihan fitur metaheuristik antara Binary Whale Optimization (BWOA) dan Particle Swarm Optimization yang dihybrid dengan Grey Wolf Optimization (PSOGWO) sebagai alternatif untuk meningkatkan kinerja dengan membuang data yang redundan atau tidak relevan sehingga mempercepat waktu pelatihan, menyederhanakan model, dan membuat interpretasi lebih mudah dan meningkatkan generalisasi dengan mengurangi overfitting. Proses klasifikasi akan menguji hasil data yang telah diseimbangkan dengan jumlah fitur terbaik menggunakan metode klasifikasi KNN, Naïve Bayes, Decision Tree, Random Forest, Logistic Regression, SVM dan Adaptive Modified Hidden Layer Neural Network. Hasil nilai akurasi tertinggi dari model yang diusulkan rata-rata sebesar 89,58% yang diujicoba pada data penyakit diabetes dan jantung. Kata kunci: Klasifikasi, Rekam Medis, Hidden Layer, Seleksi Fitur, Imbalanced Data

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Klasifikasi, Rekam Medis, Hidden Layer, Seleksi Fitur, Imbalanced Data
Subjects:	T Technology > T Technology (General) > T1-995 Technology (General) T Technology > TA Engineering (General). Civil engineering (General) > TA166-167 Human engineering
Divisions:	03-Faculty of Engineering > 21001-Engineering Science (S3)
Depositing User:	Lastri Widya Astuti
Date Deposited:	31 Jul 2025 06:26
Last Modified:	31 Jul 2025 06:26
URI:	http://repository.unsri.ac.id/id/eprint/181939

Actions (login required)

View Item