Home
Login.
Artikelilmiahs
34825
Update
YUSUF MUHAMMAD NUR ZAMAN
NIM
Judul Artikel
METODE NEAR MISS UNDERSAMPLING UNTUK OPTIMALISASI DATASET PADA MODEL PREDIKSI PENYAKIT STROKE
Abstrak (Bhs. Indonesia)
Stroke merupakan kondisi yang terjadi ketika suplai darah ke otak terganggu atau berkurang akibat adanya penyumbatan atau pecahnya pembuluh darah. Pada tahun 2018 penyakit stroke menjadi penyebab kematian nomor satu di Indonesia, salah satu penyakit dengan tingkat prevalensi yang tinggi, dan juga biaya prediagnosis dan pengobatan yang tidak murah. Beberapa data set medis yang memiliki dua kelas atau binomial class mengalami ketidakseimbangan kelas, hal ini disebut dengan imbalanced dataset, yaitu suatu kondisi ketika kelas tujuan yang akan diklasifikasi tidak memiliki rasio yang seimbang. Sehingga menyebabkan hasil klasifikasi yang bias karena classifier akan lebih condong mendeteksi kelas mayoritas dibanding dengan kelas minoritas. Kasus imbalanced dataset ini dapat diatasi dengan menerapkan metode Near-Miss undersampling. Berdasarkan hasil pelatihan dan penelitian, model dengan dataset orisinil memiliki nilai skor f1, precision, dan recall bernilai 0.00, sedangkan model yang menggunakan dataset hasil dari near-miss undersampling versi 1 memiliki skor f1 sebesar 0.731, skor precision sebesar 0.717, dan skor recall sebesar 0.745, lalu model yang menggunakan dataset hasil dari near-miss undersampling versi 2 memiliki skor f1 sebesar 0.660, skor precision sebesar 0.673, dan skor recall sebesar 0.647, dan model yang menggunakan dataset hasil dari near-miss undersampling versi 3 memiliki skor f1 sebesar 0.747, skor precision sebesar 0.673, dan skor recall sebesar 0.725. Sehingga model dengan menggunakan dataset hasil near-miss undersampling memiliki performa yang jauh lebih baik dalam klasifikasi.
Abtrak (Bhs. Inggris)
Stroke is a condition that occurs when the blood supply to the brain is interrupted or reduced due to a blockage or rupture of a blood vessel. In 2018 stroke became the number one cause of death in Indonesia, one of the diseases with a high prevalence rate, and the cost of pre-diagnosis and treatment is not cheap. Some medical data sets that have two classes or binomial classes experience a class imbalance, this is called an imbalanced data set, which is a condition when the destination class to be classified does not have a balanced ratio. This causes biased classification results because the classifier will be more inclined to detect the majority class than the minority class. This imbalanced dataset case can be overcome by applying the Near Miss undersampling method. Based on the results of training and testing, the model with original dataset has a f1 score, precision score, and recall score are 0.00, while the model with dataset from near-miss undersampling version 1 has a f1 score of 0731, precision score of 0.717, and recall of 0.745, the the model with dataset from near-miss undersampling version 2 has a f1 score of 0.660, precision score of 0.673, and recall score of 0.647, and the model with dataset from near-miss undersampling version 3 has a f1 score of 0.747, precision score of 0.673, dan recall score of 0.725. So the model with undersampled using near-miss has a mush better performance in classification.
Kata kunci
Pembimbing 1
Pembimbing 2
Pembimbing 3
Tahun
Jumlah Halaman
Save