Analisa Perbandingan Algoritma K-Nearest Neighbor, Naive Bayes dan Support Vector Machine dengan Fitur Chi-Square pada Penyakit Hepatitis C
Tahun 2026 · Penulis: Adelia Permatasari
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Hepatitis C merupakan salah satu tipe hepatitis yang disebabkan oleh virus Hepatitis C. Penyakit ini merupakan penyakit yang membahayakan manusia karena dapat menyebabkan peradangan pada jaringan hati. Virus ini ditularkan melalui darah dan sebagian besar infeksi terjadi melalui paparan darah dari praktik injeksi yang tidak aman, perawatan kesehatan yang tidak aman, transfusi darah yang tidak disaring, penggunaan narkoba suntik, dan praktik seksual yang menyebabkan paparan darah. HCV dapat menyebabkan hepatitis akut dan kronis, mulai dari penyakit ringan hingga penyakit serius seumur hidup termasuk sirosis hati dan kanker. Deteksi dan pengobatan dini dapat mencegah kerusakan hati yang serius dan pengklasifikasian yang tepat dapat meningkatkan kesehatan jangka panjang. Penerapan Machine Learning memiliki kemampuan untuk menganalisis data dalam jumlah besar, mengenali pola, dan membuat keputusan tanpa perlu diprogram secara eksplisit, Machine Learning dapat meningkatkan efisiensi, dan akurasi pada model klasifikasi. Dalam hal tersebut, penerapan Machine Learning dapat memiliki peran dalam proses klasifikasi suatu penyakit yang dalam hal ini yaitu pada penyakit Hepatitis C. Penelitian ini menggunakan algoritma K-Nearest Neighbor, Naive Bayes Dan Support Vector Machine. Selain itu, penelitian ini menerapkan metode seleksi fitur Chi-Square yang memanfaatkan cara pemilihan fitur kedepannya dalam menguji semua fitur kemudian mengahapus fitur yang tidak relevan. Penelitian ini juga menerapkan Hyperparameter Tuning menggunakan Grid Search untuk meninjau kembali hyperparameter yang digunakan pada model setelah dilakukan proses seleksi fitur dan membandingkan hasil algoritma murni dengan algoritma yang sudah dikombinasikan dengan Chi-square. Mengukur kinerja algoritma menggunakan Confussion Matrix dan grafik ROC AUC. Matrix yang digunakan yaitu accuracy, precision, recall, dan F1-score. Dalam penelitian ini, evaluasi kinerja model melibatkan teknik K-Fold Cross Validation, yaitu teknik untuk membagi data menjadi K-subset dengan berukuran sama ataupun hampir sama.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,847
Tahun 2024 · Penulis: Adhitya Hari Saputra
Implementasi Metode Support Vector Machine dan Particle Swarm Optimization dalam Klasifikasi Faktor Risiko Terkena Penyakit Kanker Paru-paru
Kanker adalah penyakit mematikan dengan jumlah kematian tertinggi di dunia, disebabkan oleh pertumbuhan sel yang tidak terkendali dan dapat menyebar ke bagian tubuh lainnya. Menurut data GLOBOCAN 2020, terdapat 19,2 juta kasus baru kanker. Salah satu jenis kan
- Cosine 0,834
Tahun 2017 · Penulis: Andre Bhaskoro Suprayogi
Ase Based Reasoning Menggunakan Algoritma K-Nearest Neighbor (K-Nn) untuk Diagnosa Penyakit Lambung
Gangguan kesehatan pada lambung memiliki berbagai jenis, antara lain adalah sakit maag (Gastritis), Dispepsia, Kanker Lambung, Tukak Lambung, Gastroparesis, Gastroenteritis dan Gastroesophageal Reflux Disease (GERD). Kanker lambung merupakan salah satu jenis p
- Cosine 0,834
Tahun 2024 · Penulis: Renata Sayidatul Arikha
Klasifikasi Penyakit Hepatitis C Menggunakan Metode Twin Support Vector Machine dengan Optimasi Hyperparameter Particle Swarm Optimization
Hepatitis C adalah salah satu penyakit mematikan yang menyebabkan kerusakan hati. Penyakit ini disebabkan oleh Hepatitis C Virus (HCV), yang dapat menimbulkan infeksi akut dan berpotensi menyebabkan komplikasi serius. Infeksi kronis sering kali baru terdeteksi