OPTIMASI METODE K-NEAREST NEIGHBOR (KNN) MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) UNTUK DIAGNOSIS PENYAKIT HATI

ZADLYKA, TARA and Samsuryadi, Samsuryadi and Buchari, Muhammad Ali (2021) OPTIMASI METODE K-NEAREST NEIGHBOR (KNN) MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) UNTUK DIAGNOSIS PENYAKIT HATI. Undergraduate thesis, Sriwijaya University.

	Text RAMA_55201_09021281621043.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text RAMA_55201_09021281621043_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (6MB) | Request a copy
Preview	Text RAMA_55201_09021281621043_0004027101_8812870018_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB) | Preview
	Text RAMA_55201_09021281621043_0004027101_8812870018_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (196kB) | Request a copy
	Text RAMA_55201_09021281621043_0004027101_8812870018_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (534kB) | Request a copy
	Text RAMA_55201_09021281621043_0004027101_8812870018_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (541kB) | Request a copy
	Text RAMA_55201_09021281621043_0004027101_8812870018_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (434kB) | Request a copy
	Text RAMA_55201_09021281621043_0004027101_8812870018_06.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (31kB) | Request a copy
	Text RAMA_55201_09021281621043_0004027101_8812870018_07_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (112kB) | Request a copy
	Text RAMA_55201_09021281621043_0004027101_8812870018_08_lamp.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (101kB) | Request a copy

Abstract

K-Nearest Neighbor (KNN) merupakan metode klasifikasi yang banyak digunakan dan cukup efektif dalam melakukan klasifikasi. Dalam klasifikasi KNN, penentuan nilai k yang kurang tepat dapat menurunkan kinerja KNN. Untuk mengatasi permasalahan tersebut, akan digunakan Particle Swarm Optimization (PSO) untuk menentukan nilai k yang optimal. Data yang digunakan pada penelitian ini adalah ILPD (Indian Liver Patient Dataset) yang diperoleh dari UCI Machine Learning Repository. Penelitian ini menggunakan metode KNN dengan nilai k yang optimal untuk diagnosis penyakit hati. Berdasarkan analisis hasil penelitan, dapat disimpulkan bahwa penggunaan PSO dalam mencari nilai k optimal pada metode KNN mampu meningkatkan akurasi klasifikasi. Nilai parameter PSO optimal yang didapat dari hasil penelitian adalah jumlah partikel = 30, jumlah iterasi = 100, dan bobot inersia = 0,4. Nilai akurasi yang didapat pada klasifikasi KNN-PSO adalah 71,69% dan peningkatan akurasi terhadap metode KNN sebesar 2,9%.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Diagnosis Penyakit Hati, K-Nearest Neighbor, Particle Swarm Optimization
Subjects:	Q Science > QA Mathematics > QA75-76.95 Calculating machines > QA76.9.D343 Data mining. Database searching. Big data. T Technology > T Technology (General) > T1-995 Technology (General) > T14 Philosophy. Theory. Classification. Methodology Cf. CB478 Technology and civilization
Divisions:	09-Faculty of Computer Science > 55201-Informatics (S1)
Depositing User:	Tara Zadlyka
Date Deposited:	21 May 2021 03:20
Last Modified:	21 May 2021 03:20
URI:	http://repository.unsri.ac.id/id/eprint/46563

Actions (login required)

View Item