Identifikasi Penyakit Diabetes Mellitus Menggunakan Metode Modified K- Nearest Neighbor (MKNN)
|
|
- Ratna Shinta Budiono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 1, No. 6, Juni 2017, hlm Identifikasi Penyakit Diabetes Mellitus Menggunakan Metode Modified K- Nearest Neighbor (MKNN) Silvia Ikmalia Fernanda 1, Dian Eka Ratnawati 2, Putra Pandu Adikara 3 Program Studi Teknik Informatika, 1 nandanandoot@gmail.com, 2 dian_ilkom@ub.ac.id, 3 hikaru.yuuki@gmail.com Abstrak Diabetes mellitus merupakan salah satu jenis penyakit yang dapat menyebabkan kematian dan salah satu penyakit faktor keturunan. Kebanyakan masyarakat tidak peduli akan pola hidup yang sehat. Kesehatan merupakan hal yang sangat penting dalam kehidupan sehari-hari. Kurangnya kesadaran masyarakat dalam masalah penanganan kesehatan sehingga tingkat kematian di seluruh dunia mengalami peningkatan. Masyarakat juga kurang paham pada kemiripan gejala-gejala penyakit yang muncul mengakibatkan penyakit tidak cepat ditangani. Untuk mengatasi hal tersebut maka dibuat sistem untuk identifikasi penyakit diabetes mellitus menggunakan metode Modified K-Nearest Neighbor (MKNN). Modified K-Nearest Neighbor (MKNN) merupakan salah satu metode klasifikasi berdasarkan kemunculan kelas terbanyak pada data latih. Terdapat 15 gejala dan 2 tipe penyakit yang digunakan sebagai parameter dalam pengembangan sistem. Keluaran yang dihasilkan sistem berupa diagnosis tipe penyakit serta cara pengendaliannya. Berdasarkan pengujian yang telah dilakukan memperoleh hasil akurasi terbaik 93,33% dengan error rate 6,67%. Berdasarkan hasil tersebut, sistem yang menggunakan metode Modified K-Nearest Neighbor (MKNN) dapat diimplementasikan dalam kehidupan sehari-hari. Kata Kunci: diabetes mellitus, klasifikasi, Modified K-Nearest Neighbor (MKNN) Abstract Diabetes mellitus is one of the diseases that can cause death and one of the diseases heredity. Most people do not care about a healthy lifestyle. Health is very important in everyday life. The public is less aware of the problem of health care so that the rate of deaths worldwide has increased. The public salso did not understand the similarity of the symptoms of disease appear not treated quickly lead to disease. To overcome these problems invented a system for the identification of diabetes mellitus using the Modified K-Nearest Neighbor (MKNN). Modified K-Nearest Neighbor (MKNN) is one method of classification is based on the number of class occurrence on data mining. There are 15 symptoms and 2 types of diseases are used as parameters in development of the system. An output as the result produced by the system is diagnosis of the type of disease and how to control. Based on method, this research obtain 93,33% of good accuracy and error rate of 6,67%. The system using of method Modified K- Nearest Neighbor (MKNN) can be applied in society based on result. Keywords: diabetes mellitus, classification, Modified K-Nearest Neighbor (MKNN) 1. PENDAHULUAN Diabetes mellitus merupakan penyakit kronis yang terjadi karena kelainan sekresi insulin pada kenaikan glukosa yang tidak teratur. Diabetes mellitus akan meningkatkan gula darah dalam tubuh sehingga terjadi penyakit komplikasi yang dapat menyebabkan beberapa risiko seperti stroke, penyakit jantung, kebutaan, gagal ginjal dan kematian(v & Ravikumar, 2014). Penyakit diabetes mellitus dibagi menjadi 2 jenis yaitu diabetes tipe 1 dan tipe 2. Diabetes mellitus tipe 1 terjadi karena kerusakan dari tubuh menghasilkan insulin dan tubuh tidak dapat menggunakan insulin sebagaimana mestinya. Diabetes mellitus tipe 2 menghasilkan kelas dari resistensi insulin dimana sel-sel tidak bisa menggunakan insulin dalam proporsi yang tepat (Karthikeyan & Vembandadsamy, 2015). Menurut Ahmed et al. (2012) penyakit diabetes tergolong penyakit yang mematikan dan meningkatkan gula darah. Munculnya penyakit disebabkan oleh masyarakat yang memiliki Fakultas Ilmu Komputer Universitas Brawijaya 507
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 508 kebiasaan aktivitas fisik dengan diet tinggi kalori dan lemak yang tidak cukup serat pada makanan. Identifikasi penyakit diabetes diperlukan sebagai pencegahan penyakit diabetes. Dengan pemanfaatan pendekatan Data mining dapat mengekstraksi informasi yang tidak diketahui sebelumnya. Oleh karena itu, dibutuhkan sistem yang dapat membantu mengidentifikasi penyakit diabetes mellitus agar memudahkan masyarakat dalam penanganan yang tepat (Ahmed et al., 2012). Pada penelitian ini menggunakan metode Modified K-Nearest Neighbor (MKNN). Penelitan lain yang berjudul Diagnosis Penyakit Tanaman Tomat Menggunakan Algoritma Modified K-Nearest Neighbor (MKNN). Penelitian ini menggunakan metode Modified K-Nearest Neighbor (MKNN) yang merupakan metode modifikasi dari metode K- Nearest Neighbor (KNN). Pada penelitian ini terdapat 15 gejala dan 6 jenis penyakit sebagai parameter yang digunakan dalam sistem. Metode ini dapat mempermudah dalam mendiagnosis penyakit pada tanaman tomat. Hasil pengujian metode ini didapatkan nilai ratarata akurasi maksimum 98,92% dan nilai ratarata minimum 89,04% (Basuki, 2015). Berdasarkan penelitian sebelumnya maka penulis melakukan penelitian menggunakan metode Modified K-Nearest Neighbor. Metode Modified K-Nearest Neighbor sebelumnya menghasilkan akurasi yang baik dalam penelitian sebelumnya. Sehingga digunakan untuk mengidentifikasikan penyakit diabetes mellitus. Oleh karena itu, metode Modified K- Nearest Neighbor ini diharapkan dapat membantu masyarakat dalam mengidentifikasi penyakit diabetes mellitus. 2. LANDASAN KEPUSTAKAAN 2.1 Diabetes Mellitus Diabetes mellitus merupakan penyakit yang berisiko kematian tinggi. Penyakit diabetes mellitus terjadi ketika produksi insulin dalam tubuh tidak memadai atau tubuh tidak dapat memproduksi insulin dengan tepat. Pada umumunya penderita diabetes mellitus terjadi ketika kadar gula darah berada di atas normal (Iyer et al., 2015). Penyakit diabetes mellitus sering mengancam kesehatan semua orang di seluruh dunia. Penyakit diabetes mellitus disebut juga penyakit komplikasi karena memiliki banyak gejala yang dapat mengakibatkan penyakit lainnya ataupun kematian (Juliyet & Amanullah, 2015) Jenis Penyakit Diabetes Mellitus Penyakit diabetes mellitus dibagi menjadi 2 jenis yaitu: 1. Diabetes mellitus Tipe 1 Penyakit diabetes mellitus tipe 1 biasanya disebut insulin dependent. Diabetes mellitus tipe 1 ini terjadi pada usia muda di bawah 30 tahun. Seseorang yang menderita diabetes mellitus tipe 1 perlu dilakukan suntik insulin. Suntik insulin dilakukan karena glukosa darah dalam tubuh tidak dapat memproduksi insulin sebagaimana mestinya (Sa di et al., 2015). 2. Diabetes mellitus Tipe 2 Penyakit diabetes mellitus tipe 2 biasanya disebut non-insulin dependent yang ditandai dengan resistensi insulin dan gangguan sekresi insulin. Tipe ini sering diderita oleh seseorang yang berusia di atas 40 tahun. Hal ini terjadi ketika tubuh manusia tidak dapat secara aktif menggunakan insulin yang dihasilkan oleh tubuh. Biasanya disebabkan faktor keturunan, obesitas, kurang aktivitas, penyakit lain dan usia (V & Ravikumar, 2014) Faktor Penyakit Diabetes Mellitus Faktor risiko penyakit diabetes mellitus adalah suatu kondisi dimana kesehatan pada seseorang terkena penyakit diabetes mellitus. Apabila kondisi ini tidak ada penanganan khusus maka dapat memperburuk keadaan dan dapat mengakibatkan terjadinya penyakit komplikasi ataupun kematian. Terdapat beberapa faktor risiko pada penyakit diabetes mellitus seperti (Devi & Shyla, 2016): 1. Nafsu Makan Meningkat 2. Sering Buang Air Kecil 3. Peningkatan Kehausan 4. Turunnya Berat Badan 5. Usia (15-40) tahun 6. Faktor Keturunan 7. Mulut Kering 8. Mudah Kelelahan/Kurangnya Aktivitas Fisik 9. Sering Mengantuk 10. Mual/Muntah-Muntah 11. Timbulnya Luka yang Tak Kunjung Sembuh 12. Gatal-Gatal 13. Mengonsumsi Makanan Berkolesterol Tinggi 14. Obesitas 15. Kadar Glukosa Darah Meningkat
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Data Mining Data mining merupakan salah satu ilmu komputer yang melibatkan beberapa proses komputasi, teknik statistik, clustering, klasifikasi dan menemukan pola yang terdapat pada dataset. Tujuan utama Data mining digunakan untuk mengekstrak informasi dari dataset yang besar dengan mengubah menjadi format yang dapat dimengerti serta dipahami untuk penggunaan masa depan (V & Ravikumar, 2014). Data mining merupakan proses pengambilan data dari data warehouse berdasarkan prediksi variabel. Data mining juga sebagai penemuan pada KDD database. Prediksi digunakan untuk menemukan data dari sekumpulan data yang ditentukan dengan berbagai domain seperti kecerdasan buatan, basis data, dan lain-lain. Penggunaan data mining memiliki dampak di berbagai bidang seperti bidang kesehatan. Data mining pada sistem medis dibutuhkan untuk mengekstrak informasi dari database sehingga dapat melakukan diagnosis penyaikit (Poonguzhali, Kabilan, Kannan, & Sivagami, 2014). 2.3 K-Nearest Neighbor Konsep K-Nearest Neighbor digunakan untuk mengklasifikasikan objek berdasarkan nilai k pada ruang fitur. Metode ini memerlukan ukuran jarak untuk menentukan kedekatan suatu objek. Objek pada data uji akan diklasifikasikan dengan tetangga terdekat. Metode ini mencari tetangga terdekat dan memilih mayoritas kelas yang terdapat pada cluster. K-Nearest Neighbor dapat memberikan keputusan untuk mengklasifikasikan data dari data latih dan mendapatkan hasil yang baik jika menggunakan data dalam jumlah besar (Saxena et al., 2014) Algoritma K-Nearest Neighbor Langkah-langkah pada algoritma K-Nearest Neighbor untuk mengklasifikasikan data yaitu (Karegowda et al., 2012): 1. Mendefinisikan nilai K 2. Melakukan perhitungan nilai jarak antara data latih dengan data uji 3. Mengelompokkan data berdasarkan perhitungan jarak 4. Mengelompokkan data berdasarkan nilai tetangga terdekat 5. Memilih nilai yang sering muncul dari tetangga terdekat sebagai prediksi data selanjutnya Euclidean Distance Euclidean Distance digunakan untuk mencari jarak antara titik data dengan tetangga terdekat degan menggunakan Persamaan (1): d (P, Q) = n i=1 (P i Q i ) 2 (1) dimana n merupakan jumlah data latih, P merupakan masukkan data ke-i dari data uji, dan Q merupakan masukkan data ke-i dari data latih (Saxena et al., 2014). 2.4 Modified K-Nearest Neighbor Metode Modified K-Nearest Neighbor menempatkan label kelas dari data sesuai dengan nilai k yang dihitung dengan perhitungan validitas pada semua data yang terdapat pada data latih. Selanjutnya perhitungan weight voting dilakukan untuk semua data uji yang menggunakan validitas data. Adanya validasi pada data latih dapat menghasilkan hasil akurasi yang baik (Parvin, Alizadeh, & Minaei-bidgoli, 2008). Berikut diagram alir ditunjukkan pada Gambar 1. Gambar 1. Diagram Alir Algoritma Modified K- Nearest Neighbor Langkah-langkah pada algoritma Modified K-Nearest Neighbor yaitu (Basuki, 2015): 1. Menentukan nilai k 2. Jarak antar data latih menggunakan rumus Euclidean Distance pada Persamaan (1). Proses perhitungan dilakukan untuk semua
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 510 data latih. Kemudian hasil perhitungan diurutkan secara ascending dengan memilih tetangga terdekat sesuai nilai k. 3. Validitas data training Validitas merupakan proses perhitungan jumlah titik dengan label yang sama pada semua data latih. Setiap data memiliki validitas yang bergantung pada tetangga terdekatnya. Rumus yang digunakan untuk menghitung validitas pada data latih yaitu pada Persamaan (2) (Parvin et al., 2008): Validitas (i) = 1 k S(lbl k (x), lbl Ni (x) ) (2) i=1 Keterangan: - k = jumlah titik terdekat - lbl (x) = kelas x - lbl Ni (x) = label kelas titik terdekat x dimana S digunakan menghitung kesamaan antara titik a dan data ke- b pada tetangga terdekat dengan menggunakan Persamaan (3): 1 a = b S a, b = { 0 a b (3) dimana a merupakan kelas a pada data training dan b merupakan kelas selain a pada data training. 4. Jarak antara data uji dengan data latih menggunakan Persamaan (1). Perhitungan dilakukan untuk selurah data latih. 5. Weight voting (pembobotan) Perhitungan ini menggunakan k tetangga terdekat yang merupakan variasi metode K- Nearest Neighbor. Selanjutnya dilakukan validitas dari setiap data training yang akan dikalikan dengan weight voting berdasarkan jarak pada setiap tetangganya. Rumus weight voting seperti Persamaan (4) (Parvin et al., 2008): W (i) = Validitas (x) x 1 d e + α (4) Keterangan: - W(i) merupakan perhitungan weight voting - Validitas (x) merupakan nilai validasi - d e merupakan jarak Euclidean - alfa(α) merupakan nilai regulator smoothing (pemulusan) 6. Menentukan kelas dari data uji dengan memilih bobot terbesar sesuai dengan nilai k Hasil perhitungan weight voting yang telah didapatkan, selanjutnya diurutkan secara descending untuk mendapatkan klasifikasi kelas. 3. PENGUMPULAN DATA Lokasi penelitian ini terletak di RSUD Kota Mataram. Kasus ini dianalisis melalui pengumpulan data dengan cara wawancara secara langsung. Variabel penelitian ini adalah gejala-gejala pada pasien diabetes mellitus termasuk ke dalam diabetes mellitus Tipe 1 atau 2 berdasarkan perhitungan menggunakan metode Modified K-Nearest Neighbor. Pengumpulan data pada penelitian ini menggunakan metode data sekunder. Kriteria penyakit diabetes mellitus, yaitu: 1. Nafsu Makan Meningkat 2. Sering Buang Air Kecil 3. Peningkatan Kehausan 4. Turunnya Berat Badan 5. Usia (15-20) tahun 6. Faktor Keturunan 7. Mulut Kering 8. Mudah kelelahan / kurangnya aktivitas fisik 9. Sering Mengantuk 10. Mual/Muntah-Muntah 11. Timbulnya luka yang tak kunjung sembuh 12. Gatal-Gatal 13. Mengonsumsi makanan berkolesterol tinggi 14. Obesitas 15. Kadar Glukosa Darah Meningkat Masukkan dalam sistem ini yaitu 15 pertanyaan gejala penyakit yang diderita pengguna dan jawaban dari masukan tersebut diklasifikasikan menggunakan metode Modified K-Nearest Neighbor. Data latih yang digunakan dalam penelitian yaitu sebanyak 100 data latih dengan 30 data uji. 4. PENGUJIAN Pengujian ini dilakukan untuk mengetahui hasil akurasi yang didapatkan dari implementasi sistem yang telah dilakukan. Ada beberapa skenario pengujian yang dilakukan, yaitu pengujian pengaruh nilai k, pengujian pengaruh nilai alfa, pengaruh jumlah data latih, pengaruh jumlah data uji, dan pengujian confusion matrix. 4.1 Pengujian Pengaruh Nilai K Pengujian menggunakan nilai k dari k=1 sampai k=9 dan nilai alfa=5 dengan 70 data latih dan 30 data uji. Kemudian masing-masing nilai k dicoba pada kombinasi data uji dan data latih dengan total 100% dengan pengambilan data sebanyak 50 data secara acak. Hasil pengujian ditunjukkan pada Gambar 2.
5 Akurasi Rata-rata Akurasi Rata-rata Akurasi Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 511 Pengaruh Nilai K Akurasi 78,984,486,783, ,878,973,375,6 Nilai K Gambar 2. Pengujian Pengaruh Nilai K Dari Gambar 2 dapat dilihat bahwa grafik mengalami kenaikan pada rentang nilai k=1 sampai k=3 dan penurunan rata-rata akurasi pada rentang nilai k=4 sampai k=9. Kenaikan rata-rata akurasi pada rentang nilai k=1 sampai k=3 terjadi karena semakin kecil nilai k, maka tetangga yang dibandingkan tidak memperhitungkan pengaruh keanggotaan kelas yang lainnya. Namun penurunan rata-rata akurasi dikarenakan dengan semakin banyaknya nilai k maka semakin banyak kemungkinan tetangga dengan pola yang berbeda akan ikut dalam proses klasifikasi. Sedangkan ketidakstabilan tingkat akurasi yang dihasilkan disebabkan adanya pola dari data latih yang sangat berdekatan dengan tetangga terdekatnya, sehingga nilai validitas menjadi besar dan memperbesar nilai weight voting yang menjadi dasar prediksi. Namun, nilai akurasi tidak hanya dipengaruhi oleh besarnya nilai k tetapi juga dipengaruhi oleh sebaran data dari masingmasing kelas dan jumlah data latih yang digunakan. 4.2 Pengujian Pengaruh Nilai Alfa Pengujian menggunakan nilai alfa dari 0 sampai 1 dan nilai k terbaik yaitu k=3 kemudian masing-masing nilai alfa dicoba pada kombinasi data uji dan data latih dengan total 100% yaitu pada 30%:70%. Uji coba dilakukan sebanyak 3 kali pada masing-masing alfa, kemudian akan didapatkan nilai akurasi rata-rata. Jumlah data yang digunakan pada pengujian ini yaitu 100 data latih dan 30 data uji yang diambil 50 data secara acak. Hasil pengujian ditunjukkan pada Gambar Gambar 3. Pengujian Pengaruh Nilai Alfa Dari Gambar 3 perubahan nilai alfa dapat memberikan pengaruh terhadap nilai rata-rata akurasi yang dihasilkan. Dapat dilihat pada grafik bahwa nilai alfa mengalami kenaikan pada rentang nilai alfa=4 sampai nilai alfa=6. Namun ketika penambahan nilai alfa maka ratarata akurasi cenderung mengalami naik dan turun. Dapat dilihat hasil rata-rata akurasi pengaruh nilai alfa tidak membentuk pola. Hal ini terjadi karena alfa merupakan konstanta dalam perhitungan weight voting. Namun, nilai akurasi juga dipengaruhi oleh sebaran data dari masing-masing kelas dan jumlah data latih yang digunakan. 4.3 Pengujian Pengaruh Jumlah Data Latih Pengujian dilakukan dengan cara mengubah jumlah data latih sebanyak lima kali dengan menggunakan nilai k dan nilai alfa terbaik yang dihasilkan dari pengujian sebelumnya yaitu k=3 dan alfa=5. Jumlah data latih yang digunakan dimulai dari 20 hingga 100 dengan rentang jumlah data latih yaitu 20. Jumlah data uji yang digunakan tetap yaitu 30 data uji. Hasil pengujian ditunjukkan pada Gambar Akurasi Pengaruh Nilai Alfa Nilai Alfa Pengaruh Jumlah Data Latih 71,11 82,22 85,55 93,33 95, Jumlah Data Latih Gambar 4. Pengujian Pengaruh Jumlah Data Latih Dari Gambar 4 dapat dilihat bahwa, semakin banyak jumlah data latih yang digunakan maka akan didapatkan nilai rata-rata akurasi yang lebih baik, terlebih data latih yang digunakan yaitu data dengan kelas seimbang. Hal ini terjadi
6 Akurasi Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 512 karena jika semakin banyak jumlah data latih yang digunakan maka sistem dapat mengenali pola yang ada pada data latih saat pengujian. Selain itu, semakin banyaknya data memungkinkan mendukung keanggotaan kelas klasifikasi. Jika data latih yang digunakan yaitu 80 data, maka kemungkinan kelas klasifikasi yang sesuai dengan data uji hanya berdasarkan keanggotaan kelas terdekat dari 80 data tersebut. Namun dengan bertambahnya jumlah data latih sampai 100 data, maka kemungkinan kelas klasifikasi dari keanggotaan kelas terdekat mencapai 100 data latih tersebut. 4.4 Pengujian Pengaruh Jumlah Data Uji Pengujian dilakukan dengan cara mengubah jumlah data uji sebanyak tiga kali uji coba pada masing-masing jumlah data latih dengan menggunakan nilai k dan nilai alfa terbaik yang dihasilkan pada pengujian sebelumnya yaitu k=3 dan alfa=5. Jumlah data uji yang digunakan dimulai dari 10 hingga 30 dengan rentang jumlah data uji yaitu 10. Untuk data latih yang digunakan yaitu data latih yang memiliki akurasi terbaik pada pengujian sebelumnya yaitu 80 data dan 100 data latih dengan kelas yang seimbang. Berikut ini hasil pengujian ditunjukkan pada Gambar 5. 95, ,00 Pengaruh Jumlah Data Uji 93,33 93, ,67 86,67 88, Jumlah Data Uji 80 Data Latih 100 Data Latih Gambar 5. Pengujian Pengaruh Jumlah Data Uji Dari Gambar 5 dapat dilihat bahwa semakin banyak data uji maka peluang data uji yang benar dalam pengklasifikasian semakin besar, sehingga akurasi semakin tinggi. Hal ini terjadi karena jumlah data latih yang digunakan dalam pengujian lebih banyak dibandingkan dengan jumlah data ujinya dan kemungkinan pada pengujian data uji tersebut semua sebaran variasi data uji yang digunakan sudah banyak diwakili oleh data latihnya. Pengujian ini dilakukan untuk melihat label kelas yang bernilai benar yang teridentifikasi dengan benar dan tabel confusion matrix digunakan untuk mengetahui hasil aktual dan prediksi yang dihasilkan oleh pengklasifikasian data. Pengujian dilakukan dengan menggunakan parameter terbaik dari pengujian sebelumnya yaitu pada nilai k=3 dan nilai alfa terbaik yaitu 5. Nilai k dan alfa diuji pada jumlah data latih dan data uji yang mendapatkan akurasi terbaik pada pengujian sebelumnya yaitu pada data latih 100 dan data uji 30. Berikut ini hasil pengujian ditunjukkan pada Tabel 1. Tabel 1. Pengujian Confusion Matrix Test Truth DM Tipe 1 DM Tipe 2 Result DM Tipe DM Tipe Sensitivity (%) 93,33 Error rate (%) 6,67 Dari uji coba yang telah dilakukan dengan menggunakan parameter terbaik dan jumlah data latih dengan data uji yang mendapatkan akurasi terbaik, maka di dapatkan nilai sensitivity yang tinggi dengan nilai error rate yang rendah. 5. KESIMPULAN Algoritma Modified K-Nearest Neighbor untuk mengidentifikasi penyakit diabetes mellitus diimplementasikan dengan menggunakan 15 parameter yaitu gejala-gejala penyakit yang dirasakan oleh penderita penyakit diabetes mellitus dengan 2 tipe penyakit yaitu tipe 1 dan tipe 2. Penelitian ini dapat mengklasifikasikan pasien apakah tergolong tipe 1 atau tipe 2 dengan cara menghitung jarak antar data latih, menghitung nilai validitas data training, menghitung jarak antara data uji dengan data latih, dan menghitung weight voting. Dari hasil pengujian yang telah dilakukan didapatkan akurasi terbaik sebesar 93,33% dengan error rate sebesar 6,67%. Adapaun parameter terbaik yang diperoleh melalui serangkaian percobaan dengan berbagai macam kombinasi nilai. Nilai terbaik untuk nilai k yaitu 3, nilai alfa yaitu 5 dengan jumlah data latih sebanyak 100 dan 30 data uji. 4.5 Pengujian Confusion Matrix
7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 513 DAFTAR PUSTAKA Ahmed, K., Jesmin, T., & Fatima, U. (2012). Intelligent and Effective Diabetes Risk Prediction System Using Data Mining. Oriental Journal of Computer Science & Technology, 5(2), AL-Nabi, D. L. A., & Ahmed, S. S. (2013). Survey on Classification Algorithms for Data Mining:(Comparison and Evaluation). Computer Engineering and Intelligent Systems, 1719(8), Basuki, M. P. (2015). Diagnosis Penyakit Tanaman Tomat Menggunakan Metode Modified K-Nearest Neighbor. Universitas Brawijaya. Devi, M. R., & Shyla, J. M. (2016). Analysis of Various Data Mining Techniques to Predict Diabetes Mellitus. International Journal of Applied Engineering Research, 11, Iyer, A., Jeyalatha, S., & Sumbaly, R. (2015). Diagnosis Of Diabetes Using Classfication Mining Techniques. International Journal of Data Mining & Knowledge Management Process (IJDKP), 5(1). Juliyet, L. C., & Amanullah, K. M. (2015). The Surveillance on Diabetes Diagnosis Using Data Mining Techniques A case study in the Medical Diagnosis. IJSART, 1(4). Karegowda, A. G., Jayaram, M. A., & Manjunath, A. S. (2012). Cascading K- means Clustering and K-Nearest Neighbor Classifier for Categorization of Diabetic Patients. International Journal of Engineering and Advanced Technology, 1(3), Karthikeyan, T., & Vembandadsamy, K. (2015). An Analytical Study on Early Diagnosis and Classification of Diabetes Mellitus. In International Journal of Computer Application (Vol. 5). Khotimah, H. (2015). Penentuan Status Gizi Balita Menggunakan Metode Modified K- Nearest Neighbor (MK-NN). Universitas Brawijaya. Oswal, A., Shetty, V., Badshah, M., Pitre, R., & Vashi, M. (2014). A SURVEY ON DISEASE DIAGONSIS ALGORITHMS. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 3(11), Pandeeswari, L., Rajeswari, K., & Phill, M. (2015). K-Means Clustering and Naive Bayes Classifier For Categorization Of Diabetes Patients. IJISET - International Journal of Innovative Science, Engineering & Technology, 2(1), Parvin, H., Alizadeh, H., & Minaei-bidgoli, B. (2008). MKNN : Modified K-Nearest Neighbor. Proceedings of the World Congress on Engineering and Computer Science, WCECS, Poonguzhali, E., Kabilan, S., Kannan, S., & Sivagami, P. (2014). Diagnosis of Diabetes Mellitus Type 2 using Neural Network. International Journal of Emerging Technology and Advanced Engineering, 4(2), Sa di, S., Maleki, A., Hashemi, R., Panbechi, Z., & Chalabi, K. (2015). Comparison of Data Mining Algorithms in the Diagnosis of Type Ii Diabetes. In International Journal on Computational Science & Applications (Vol. 5, hal. 1 12). Saxena, K., Khan, Z., & Singh, S. (2014). Diagnosis of Diabetes Mellitus using K Nearest Neighbor Algorithm. International Journal of Computer Science Trends and Technology (IJCST), 2(4), Senan, N., Ibrahim, R., Nawi, N. M., & Mokji, M. M. (2009). Feature Extraction for Traditional Malay Musical Instruments Classification System. International Conference of Soft Computing and Pattern Recognition. Singh, S., & Kaur, K. (2013). A Review on Diagnosis of Diabetes in Data Mining. International Journal of Science and Research (IJSR), Thirumal, P. C., & Nagarajan, N. (2014). Applying Average K Nearest Neighbour Algorithm to Detect Type-2 Diabetes. Australian Journal of Basic and Applied Sciences, 8(7), V, V. V., & Ravikumar, A. (2014). Study of Data Mining Algorithms for Prediction and Diagnosis of Diabetes Mellitus. International Journal of Computer Application, 95(17),
Diagnosis Penyakit Kulit Pada Kucing Menggunakan Metode Modified K- Nearest Neighbor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1797-1803 http://j-ptiik.ub.ac.id Diagnosis Penyakit Kulit Pada Kucing Menggunakan Metode
Lebih terperinciOPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA Optimization Techniques Modi ed k Nearest Neighbor Classi cation Using Genetic Algorithm Siti Mutro n 1, Abidatul
Lebih terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciSISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN)
SISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Fitri Yunita Fakultas Teknik dan Ilmu Komputer, Universitas Islam Indragiri Email:Fitriyun@gmail.com Abstrak Diabetes
Lebih terperinciDeteksi Penyakit Kucing dengan Menggunakan Modified K-Nearest Neighbor Teroptimasi (Studi Kasus: Puskeswan Klinik Hewan dan Satwa Sehat Kota Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1295-1301 http://j-ptiik.ub.ac.id Deteksi Penyakit Kucing dengan Menggunakan Modified K-Nearest
Lebih terperinciIdentifikasi Diagnosis Gangguan Autisme Pada Anak Menggunakan Metode Modified K-Nearest Neighbor (MKNN)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 825-831 http://j-ptiik.ub.ac.id Identifikasi Diagnosis Gangguan Autisme Pada Anak Menggunakan
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT
PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Diabetic retinopathy merupakan komplikasi mikrovaskular penyakit diabetes melitus yang menyerang pembuluh darah di retina yang menyebabkan penurunan fungsi penglihatan
Lebih terperinciImplementasi Modified K-Nearest Neighbor Dengan Otomatisasi Nilai K Pada Pengklasifikasian Penyakit Tanaman Kedelai
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 75-79 http://j-ptiik.ub.ac.id Implementasi Modified K-Nearest Neighbor Dengan Otomatisasi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciBAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
Lebih terperinciPENCEGAHAN PENYAKIT DIABETES MELLITUS MELALUI PROGRAM PENYULUHAN DAN PEMERIKSAAN KADAR GULA DARAH DI DUKUH CANDRAN DESA SENTONO KLATEN JAWA TENGAH
Seri Pengabdian Masyarakat 2014 ISSN: 2089-3086 Jurnal Inovasi dan Kewirausahaan Volume 3 No. 3, September 2014 Halaman 180-185 PENCEGAHAN PENYAKIT DIABETES MELLITUS MELALUI PROGRAM PENYULUHAN DAN PEMERIKSAAN
Lebih terperinciJurnal Komputer Terapan Vol. 3, No. 2, November 2017, Jurnal Politeknik Caltex Riau
Jurnal Komputer Terapan Vol. 3, No. 2, November 2017, 233-240 233 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Prediksi Ketepatan Waktu Lulus Mahasiswa dengan k- Nearest Neighbor dan Naïve Bayes
Lebih terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
Lebih terperinciBAB I PENDAHULUAN. kumpulan gejala yang disebabkan oleh peningkatan kadar gula (glukosa)
BAB I PENDAHULUAN A. Latar Belakang Penyakit diabetes mellitus merupakan gangguan kesehatan berupa kumpulan gejala yang disebabkan oleh peningkatan kadar gula (glukosa) darah akibat resistensi insulin.
Lebih terperinciPROBABILISTIC NEURAL NETWORK BERBASIS GUI MATLAB UNTUK KLASIFIKASI DATA REKAM MEDIS
PROBABILISTIC NEURAL NETWORK BERBASIS GUI MATLAB UNTUK KLASIFIKASI DATA REKAM MEDIS (Studi Kasus: Penyakit Diabetes Melitus di Balai Kesehatan Kementerian Perindustrian Jakarta) SKRIPSI Disusun oleh: JOHAN
Lebih terperinciPenerapan Algoritme Modified K-Nearest Neighbour Pada Pengklasifikasian Penyakit Kejiwaan Skizofrenia
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3957-3961 http://j-ptiik.ub.ac.id Penerapan Algoritme Modified K-Nearest Neighbour Pada Pengklasifikasian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Menurut Riskesdas (Riset Kesehatan Dasar) p ermasalahan gizi balita di Indonesia sampai saat ini masih merupakan masalah nasional. Anak usia di bawah lima tahun merupakan
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang Masalah
BAB I PENDAHULUAN A. Latar Belakang Masalah Diabetes Melitus (DM) merupakan suatu penyakit metabolik dengan karakteristik hiperglikemia yang terjadi karena kelainan sekresi insulin, kerja insulin, atau
Lebih terperinciABSTRAK PREVALENSI DIABETES MELITUS TIPE 2 DENGAN HIPERTENSI DI RSUP SANGLAH DENPASAR TAHUN 2015
ABSTRAK PREVALENSI DIABETES MELITUS TIPE 2 DENGAN HIPERTENSI DI RSUP SANGLAH DENPASAR TAHUN 2015 Diabetes melitus tipe 2 didefinisikan sebagai sekumpulan penyakit metabolik dengan karakteristik hiperglikemik
Lebih terperinciSistem Pakar Diagnosis Penyakit Demam: DBD, Malaria dan Tifoid Menggunakan Metode K-Nearest Neighbor Certainty Factor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 5, Mei 2017, hlm. 426-435 http://j-ptiik.ub.ac.id Sistem Pakar Diagnosis Penyakit Demam: DBD, Malaria dan Tifoid
Lebih terperinciBAB I. Pendahuluan. diamputasi, penyakit jantung dan stroke (Kemenkes, 2013). sampai 21,3 juta orang di tahun 2030 (Diabetes Care, 2004).
BAB I Pendahuluan 1. Latar Belakang Penyakit Tidak Menular (PTM) sudah menjadi masalah kesehatan masyarakat, baik secara global, regional, nasional dan lokal. Salah satu PTM yang menyita banyak perhatian
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciSistem Rekomendasi Psikotes untuk Penjurusan Siswa SMA menggunakan Metode Modified K-Nearest Neighbor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 282-287 http://j-ptiik.ub.ac.id Sistem Rekomendasi Psikotes untuk Penjurusan Siswa SMA menggunakan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Penjadwalan adalah alokasi dari sumber daya yang dibutuhkan untuk melaksanakan serangkaian tugas dalam suatu waktu tertentu untuk menghasilkan sebuah kumpulan pekerjaan
Lebih terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciPREDIKSI PENYAKIT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DAN ALGORITMA GENETIKA UNTUK DATA BERDIMENSI TINGGI
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3771 PREDIKSI PENYAKIT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DAN ALGORITMA GENETIKA UNTUK DATA BERDIMENSI TINGGI DISEASE
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN PERCEPTRON DALAM MEMPREDIKSI PENYAKIT JANTUNG KORONER
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN PERCEPTRON DALAM MEMPREDIKSI PENYAKIT JANTUNG KORONER Abstract Ryan Mas Aryo Brilliant - NIM : A11.2009.04675 Program Studi Teknik
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih terperinciPENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING
A-99 PENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING Rachmad Zaini Alberto 1, Winda Kurnia Sari 2, Samsuryadi 3, Anggina Primanita 4 1,2,3,4 Fakultas
Lebih terperinciKLUSTERING DENGAN K-MEANS BERBASIS LVQ DAN K-MEANS BERBASIS OWA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 2, No. 1, April 2015, hlm. 29-33 KLUSTERING DENGAN K-MEANS BERBASIS LVQ DAN K-MEANS BERBASIS OWA Dian Eka Ratnawati 1, Indriati 2 1,2 Program Studi
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS UNTUK DIAGNOSA PENYAKIT GAGAL GINJAL KRONIS
JIMT Vol. 11 No. 1 Juni 2014 (Hal. 27 3) Jurnal Ilmiah Matematika dan Terapan ISSN : 240 766X IMPLEMENTASI ALGORITMA K-MEANS UNTUK DIAGNOSA PENYAKIT GAGAL GINJAL KRONIS Hervisari 1, S. Musdalifah 2 dan
Lebih terperinciKLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST NEIGHBORS (K-NN)
Klasifikasi Helpdesk Universitas Jenderal Achmad ni... (Herawan dkk.) KLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST
Lebih terperinciKata Kunci : Diabetes, Pola Makan, Aktifitas Olahraga, Keluarga
ABSTRAK HUBUNGAN POLA MAKAN DAN AKTIFITAS OLAHRAGA PASIEN DIABETES MELITUS DENGAN POLA MAKAN DAN AKTIFITAS OLAHRAGA KEUARGA PASIEN DI PUSKESMAS PEKAUMAN BANJARMASIN IndraAriadi 1 ; Muhammad Arsyad 2 ;
Lebih terperinciPENERAPAN METODE PROBABILITAS BAYESIAN DAN NEAREST NEIGHBOUR DALAM SISTEM PAKAR BERBASIS CASE BASED REASONING (CBR) KOMPETENSI KOMPUTASI SKRIPSI
PENERAPAN METODE PROBABILITAS BAYESIAN DAN NEAREST NEIGHBOUR DALAM SISTEM PAKAR BERBASIS CASE BASED REASONING (CBR) KOMPETENSI KOMPUTASI SKRIPSI NI WAYAN RIRIN PUSPITA DEWI NIM. 1108605045 PROGRAM STUDI
Lebih terperinciAlfa Saleh. Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAÏVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH PROFICIENCY TEST (Studi Kasus : Universitas Potensi Utama) Alfa Saleh Teknik Informatika
Lebih terperinciPerbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit
Perbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit Sri Redjeki Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta, Indonesia dzeky@akakom.ac.id Abstrak
Lebih terperinciBAB I PENDAHULUAN UKDW. insulin, kerja insulin, atau kedua-duanya. DM merupakan penyakit degeneratif
BAB I PENDAHULUAN A. Latar Belakang Masalah Diabetes melitus (DM) merupakan suatu kelompok penyakit metabolik kronik dengan karakteristik hiperglikemia yang terjadi karena kelainan sekresi insulin, kerja
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Defenisi Sistem Menurut (Marimin, 2004) yang dikutip oleh (Febrealty, 2011) sistem adalah suatu kesatuan usaha yang terdiri dari bagian-bagian yang berkaitan satu sama lain yang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciImplementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan
Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan Ni Made Anindya Santika Devi, I Ketut Gede Darma Putra, I Made Sukarsa Jurusan Teknologi Informasi, Universitas Udayana Bukit Jimbaran,
Lebih terperinciKLASIFIKASI RUMAH TANGGA UNTUK PENENTUAN PENERIMA KPS (KARTU PERLINDUNGAN SOSIAL) DENGAN MENGGUNAKAN METODE MODIFIED K-NEAREST NEIGHBOR (MKNN) SKRIPSI
KLASIFIKASI RUMAH TANGGA UNTUK PENENTUAN PENERIMA KPS (KARTU PERLINDUNGAN SOSIAL) DENGAN MENGGUNAKAN METODE MODIFIED K-NEAREST NEIGHBOR (MKNN) SKRIPSI NI WAYAN EKA AYUNINGSIH 1208605001 PROGRAM STUDI TEKNIK
Lebih terperinciPerbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor
Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor Yusra 1, Dhita Olivita 2, Yelfi Vitriani 3 1,2,3 Jurusan Teknik
Lebih terperinciApa itu is K-Nearest Neighbor (KNN) Algorithm?
K-Nearest Neighbor Pendahuluan K-Nearest Neighbour atau KNN adalah salah dari algoritma instance based learning atau case-based reasoning. Definisi case based reasoning: KNN digunakan dalam banyak aplikasi
Lebih terperinciPENENTUAN RUTE PENDISTRIBUSIAN GAS LPG DENGAN METODE ALGORITMA NEAREST NEIGHBOUR (Studi Kasus Pada PT. Graha Gas Niaga Klaten)
PENENTUAN RUTE PENDISTRIBUSIAN GAS LPG DENGAN METODE ALGORITMA NEAREST NEIGHBOUR (Studi Kasus Pada PT. Graha Gas Niaga Klaten) Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata II pada
Lebih terperinciBAB 1 PENDAHULUAN. aktivitas fisik dan meningkatnya pencemaran/polusi lingkungan. Perubahan tersebut
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pengaruh globalisasi disegala bidang, perkembangan teknologi dan industri telah banyak membawa perubahan pada perilaku dan gaya hidup masyarakat serta situasi lingkungannya,
Lebih terperinciKlasifikasi Kelompok Varietas Unggul Padi Menggunakan Modified K- Nearest Neighbor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 292-299 http://j-ptiik.ub.ac.id Klasifikasi Kelompok Varietas Unggul Padi Menggunakan Modified
Lebih terperinciBAB I PENDAHULUAN. demografi, epidemologi dan meningkatnya penyakit degeneratif serta penyakitpenyakit
BAB I PENDAHULUAN A. Latar Belakang Perkembangan dan kemajuan zaman membawa dampak yang sangat berarti bagi perkembangan dunia, tidak terkecuali yang terjadi pada perkembangan di dunia kesehatan. Sejalan
Lebih terperinciImplementasi Algoritme Modified K-Nearest Neighbor (MK-NN) Untuk Diagnosis Penyakit Anjing
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4340-4346 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified K-Nearest Neighbor (MK-NN)
Lebih terperinciSKRIPSI SISTEM PREDIKSI KONDISI KELAHIRAN BAYI MENGGUNAKAN METODE KLASIFIKASI NAÏVE BAYES. Oleh : WAHYUNINGSIH
SKRIPSI SISTEM PREDIKSI KONDISI KELAHIRAN BAYI MENGGUNAKAN METODE KLASIFIKASI NAÏVE BAYES Oleh : WAHYUNINGSIH 2010-51-115 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA KOMPUTER
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciPerancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra
Lebih terperinciBAB I PENDAHULUAN. Penyakit degeneratif merupakan transisi epidemiologis dari era penyakit
BAB I PENDAHULUAN A. Latar Belakang Masalah Penyakit degeneratif merupakan transisi epidemiologis dari era penyakit infeksi (communicable disease) yang sempat mendominasi di negara-negara sedang berkembang
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA
PEMODELAN TINGKAT KOLESTEROL DARAH PADA PENDERITA DIABETES MELITUS TIPE 2 DENGAN PENDEKATAN REGRESI LOGISTIK ORDINAL (STUDI KASUS DI KLINIK PRATAMA MADINAH KABUPATEN JOMBANG) SKRIPSI DIAJUKAN UNTUK MEMENUHI
Lebih terperinciKOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA
TESIS KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA MEGA KARTIKA SARI No. Mhs : 135302022/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciIDENTIFIKASI PENYAKIT LEUKIMIA AKUT PADA CITRA DARAH MIKROSKOPIS
ORBITH VOL. 12 NO. 1 MARET 2016 : 29 34 IDENTIFIKASI PENYAKIT LEUKIMIA AKUT PADA CITRA DARAH MIKROSKOPIS Oleh: Indah Susilawati Staf Pengajar Program Studi Teknik Informatika Universitas Mercu Buana Yogyakarta
Lebih terperinciBandung, Indonesia Bandung, Indonesia
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6353 Analisis dan Implementasi Pengklasifikasian Pesan Singkat pada Penyaringan SMS Spam Menggunakan Algoritma Multinomial Naïve
Lebih terperinciPENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA
PENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA Alfa Saleh Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan Email : alfasoleh1@gmail.com Abstrak
Lebih terperinciI. PENDAHULUAN. WHO (2006) menyatakan terdapat lebih dari 200 juta orang dengan Diabetes
1 I. PENDAHULUAN A. Latar Belakang WHO (2006) menyatakan terdapat lebih dari 200 juta orang dengan Diabetes Mellitus (DM) di dunia. Angka ini diprediksikan akan bertambah menjadi 333 juta orang pada tahun
Lebih terperinciBAB I PENDAHULUAN UKDW. pada sel beta mengalami gangguan dan jaringan perifer tidak mampu
1 BAB I PENDAHULUAN 1.1. Latar Belakang Penelitian Diabetes melitus merupakan gangguan metabolisme yang ditandai dengan munculnya hiperglikemia karena sekresi insulin yang rusak, kerja insulin yang rusak
Lebih terperinciPERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI
Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN. Berdasarkan data International Diabetes Federation (IDF) pada
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Diabetes melitus kini telah menjadi ancaman dalam kesehatan dunia. Jumlah penderita diabetes melitus tidak semakin menurun setiap tahunnya, namun justru mengalami
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciFAKTOR RISIKO DIABETES MELITUS TIPE 2 DI WILAYAH KERJA PUSKESMAS KEDUNGMUNDU KOTA SEMARANG TAHUN 2014
FAKTOR RISIKO DIABETES MELITUS TIPE 2 DI WILAYAH KERJA PUSKESMAS KEDUNGMUNDU KOTA SEMARANG TAHUN 2014 Nafi Azhara*), Lily Kresnowati**) *) Mahasiswa Fakultas Kesehatan Udinus **) Staf Pengajar Fakultas
Lebih terperinciPREDIKSI PENYAKIT DIABETES MENGGUNAKAN NAIVE BAYES DENGAN OPTIMASI PARAMETER MENGGUNAKAN ALGORITMA GENETIKA
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 71~76 71 PREDIKSI PENYAKIT DIABETES MENGGUNAKAN NAIVE BAYES DENGAN OPTIMASI PARAMETER MENGGUNAKAN ALGORITMA GENETIKA Frisma Handayanna
Lebih terperinciBAB 1 PENDAHULUAN. penduduk dunia meninggal akibat diabetes mellitus. Selanjutnya pada tahun 2003
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pada tahun 2000, World Health Organization (WHO) menyatakan bahwa dari statistik kematian didunia, 57 juta kematian terjadi setiap tahunnya disebabkan oleh penyakit
Lebih terperinciImplementasi Algoritma Modified K-Nearest Neighbor (MKNN) untuk Klasifikasi Penyakit Demam
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 10, Oktober 2017, hlm. 1210-1219 http://j-ptiik.ub.ac.id Implementasi Algoritma Modified K-Nearest Neighbor (MKNN)
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: ( Print) A-534
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-534 Rancang Bangun Sistem Navigasi Indoor Berbasis Integrasi Symbolik Location Model dan Wifi Based Positioning System Untuk
Lebih terperinciABSTRAK OBESITAS SEBAGAI SALAH SATU FAKTOR RISIKO DIABETES MELITUS TIPE 2
ABSTRAK OBESITAS SEBAGAI SALAH SATU FAKTOR RISIKO DIABETES MELITUS TIPE 2 Dani Indra Gunawan, 2007; Pembimbing I : Agustian L. K., dr., Sp.PD Pembimbing II : Slamet Santosa, dr., M.Kes Obesitas (kegemukan)
Lebih terperinciTingkat Self care Pasien Rawat Jalan Diabetes mellitus tipe 2 di Puskesmas Kalirungkut Surabaya. Yessy Mardianti Sulistria
Tingkat Self care Pasien Rawat Jalan Diabetes mellitus tipe 2 di Puskesmas Kalirungkut Surabaya Yessy Mardianti Sulistria Farmasi /Universitas Surabaya yessy.mardianti@yahoo.co.id Abstrak Diabetes mellitus
Lebih terperinciIMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB 1 : PENDAHULUAN. 1.1 Latar Belakang American Diabetes Association (ADA) menyatakan bahwa Diabetes melitus
BAB 1 : PENDAHULUAN 1.1 Latar Belakang American Diabetes Association (ADA) menyatakan bahwa Diabetes melitus merupakan suatu kelompok penyakit metabolik dengan karakteristik hiperglikemia yang terjadi
Lebih terperinciDIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
Lebih terperinciGAMBARAN PENGETAHUAN PASIEN DIABETES MELITUS TENTANG PENANGANANNYA DI RUMAH SAKIT PAHLAWAN MEDICAL CENTER KANDANGAN, KAB
ABSTRAK GAMBARAN PENGETAHUAN PASIEN DIABETES MELITUS TENTANG PENANGANANNYA DI RUMAH SAKIT PAHLAWAN MEDICAL CENTER KANDANGAN, KAB. HULU SUNGAI SELATAN, KALIMANTAN SELATAN Raymond Sebastian Tengguno, 2016
Lebih terperinciImplementasi Metode Dempster Shafer Pada Sistem Pakar Untuk Diagnosa Jenis-jenis Penyakit Diabetes Melitus
Implementasi Metode Dempster Shafer Pada Sistem Pakar Untuk Diagnosa Jenis-jenis Penyakit Diabetes Melitus Dewi Pratama Kurniawati Jurusan Teknik Informatika. Fakultas Ilmu Komputer Universitas Dian Nuswantoro,
Lebih terperinciKlasifikasi Penyakit Ginjal dengan Metode K-Means
Received: February 2017 Accepted: March 2017 Published: April 2017 Klasifikasi Penyakit Ginjal dengan Metode K-Means Andi Sri Irtawaty 1* 1 Teknik Elektronika. Politeknik Negeri Balikpapan * andi.sri@poltekba.ac.id
Lebih terperinciBAB I PENDAHULUAN. terbesar di dunia. Menurut data dari International Diabetes Federation (IDF)
BAB I PENDAHULUAN A. Latar Belakang Diabetes Mellitus (DM) merupakan salah satu masalah kesehatan yang terbesar di dunia. Menurut data dari International Diabetes Federation (IDF) tahun 2013, didapatkan
Lebih terperinciPENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS
PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS Disusun oleh: Juan Elisha Widyaya (0822014) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia
Lebih terperinciPENERAPAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) CLUSTERING UNTUK MELIHAT GAMBARAN UMUM KEMAMPUAN AKADEMIK MAHASISWA
PENERAPAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) CLUSTERING UNTUK MELIHAT GAMBARAN UMUM KEMAMPUAN AKADEMIK MAHASISWA 1 Yulison Herry Chrisnanto, 2 Gunawan Abdillah 1,2 Jurusan Informatika Fakultas
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Pengaruh globalisasi disegala bidang, perkembangan teknologi dan industri telah banyak membawa perubahan pada perilaku dan gaya hidup masyarakat serta situasi lingkungannya,
Lebih terperinciBAB 1 PENDAHULUAN. Penyakit diabetes melitus (DM) adalah kumpulan gejala yang timbul pada
BAB 1 PENDAHULUAN 1.1 Latar Belakang Penyakit diabetes melitus (DM) adalah kumpulan gejala yang timbul pada seseorang yang disebabkan adanya peningkatan kadar gula (glukosa) dalam darah akibat dari kekurangan
Lebih terperinciBAB 1. Pendahuluan. 1.1 Latar Belakang
BAB 1 Pendahuluan 1.1 Latar Belakang Ketika ada seorang pasien yang menderita suatu penyakit dan kemudian pasien tersebut datang ke dokter untuk melakukan pemeriksaan atau check-up, tindakan medis yang
Lebih terperinciProsiding SNATIF Ke-1 Tahun 2014 ISBN:
SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NAÏVE BAYES Diana Laily Fithri, Eko Darmanto Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus
Lebih terperinciSistem Rekomendasi Bacaan Tugas Akhir Jurusan Teknik Informatika Universitas Sriwijaya menggunakan Metode Collaborative Filtering dan Naive Bayes
Sistem Rekomendasi Bacaan Tugas Akhir Jurusan Teknik Informatika Universitas Sriwijaya menggunakan Metode Collaborative Filtering Naive Bayes Riri Intan Aprilia 1 Teknik Informatika Fakultas Ilmu Komputer
Lebih terperinciABSTRAK GAMBARAN PENYAKIT DIABETES MELITUS PADA ORANG DEWASA YANG DIRAWAT INAP DIRUMAH SAKIT IMMANUEL BANDUNG PERIODE JANUARI DESEMBER 2014
ABSTRAK GAMBARAN PENYAKIT DIABETES MELITUS PADA ORANG DEWASA YANG DIRAWAT INAP DIRUMAH SAKIT IMMANUEL BANDUNG PERIODE Evan Anggalimanto, 2015 Pembimbing 1 : Dani, dr., M.Kes Pembimbing 2 : dr Rokihyati.Sp.P.D
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang. Diabetes melitus (DM) adalah penyakit kronis yang mengacu pada
BAB I PENDAHULUAN A. Latar Belakang Diabetes melitus (DM) adalah penyakit kronis yang mengacu pada sekumpulan gangguan metabolik yang disebabkan oleh faktor genetik dan faktor lingkungan. DM adalah gangguan
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciOlahraga dengan Kadar Gula Darah
Vol 7 No.1 tahun 2011 Hubungan Ketaatan Diet dan Kebiasaan Olahraga dengan Kadar Gula Darah HUBUNGAN KETAATAN DIET DAN KEBIASAAN OLAHRAGA DENGAN KADAR GULA DARAH PADA PASIEN DIABETES MELLITUS YANG BEROBAT
Lebih terperinciABSTRAK GAMBARAN PROFIL LIPID PADA PENDERITA DIABETES MELITUS TIPE 2 YANG DIRAWAT DI RS IMMANUEL BANDUNG PERIODE JANUARI - DESEMBER 2005
ABSTRAK GAMBARAN PROFIL LIPID PADA PENDERITA DIABETES MELITUS TIPE 2 YANG DIRAWAT DI RS IMMANUEL BANDUNG PERIODE JANUARI - DESEMBER 2005 Ahmad Taqwin, 2007 Pembimbing I : Agustian L.K, dr., Sp.PD. Pembimbing
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciSISTEM PAKAR PENGENALAN GEJALA DINI PENYAKIT EPILEPSI MENGGUNAKAN METODE NAÏVE BAYES
SISTEM PAKAR PENGENALAN GEJALA DINI PENYAKIT EPILEPSI MENGGUNAKAN METODE NAÏVE BAYES Bayu Hendra Setiawan 1, Edy Mulyanto, SSi, M.Kom 2 Program Studi Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Data mining adalah salah satu teknik dan proses untuk menemukan suatu pola dan pengetahuan dari data yang berjumlah besar (Han dkk., 2011). Proses yang dilakukan
Lebih terperinci1. Pendahuluan 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Diabetes mellitus adalah suatu penyakit dimana kadar glukosa (gula sederhana) di dalam darah tinggi karena tubuh tidak dapat melepaskan atau menggunakan insulin secara
Lebih terperinciBAB 1 PENDAHULUAN. yang saat ini makin bertambah jumlahnya di Indonesia (FKUI, 2004).
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Diabetes Mellitus (DM) merupakan salah satu penyakit degeneratif yang saat ini makin bertambah jumlahnya di Indonesia (FKUI, 2004). Diabetes Mellitus merupakan
Lebih terperinciDIABETES UNTUK AWAM. Desember 2012
DIABETES UNTUK AWAM Desember 2012 Apa itu Tubuh Manusia? Tubuh manusia seperti mesin yang komplex Glukosa adalah bahan bakar dari tubuh manusia Bagaimana tubuh kita menggunakan glukosa? Glukosa digunakan
Lebih terperinciDAFTAR ISI. Sampul Dalam... i. Lembar Persetujuan... ii. Penetapan Panitia Penguji... iii. Kata Pengantar... iv. Pernyataan Keaslian Penelitian...
DAFTAR ISI Sampul Dalam... i Lembar Persetujuan... ii Penetapan Panitia Penguji... iii Kata Pengantar... iv Pernyataan Keaslian Penelitian... v Abstrak... vi Abstract...... vii Ringkasan.... viii Summary...
Lebih terperinci