@thesis{thesis,
		author={Ramdhani  Hana},
		title ={Komparasi Algoritma Random Forest & Support Vector Machine dalam klasifikasi isolasi passien covid-19},
		year={2022},
		url={http://repository.universitasbumigora.ac.id/1682/},
		abstract={Covid-19 (Corona Virus Disease 2019) pertama kali ditemukan di kota
Wuhan China dan resmi diumumkan sebagai Global Pandemic oleh WHO pada
tanggal 11 Maret 2020 dikarenakan penyebarannya yang sangat cepat menuju
berbagai belahan dunia. Covid-19 disebabkan oleh SARS-CoV-2 (Severe Acute
Respiratory Syndrome Coronavirus 2) yang merupakan jenis baru dari coronavirus
dan sebelumnya tidak pernah diintefikasi pada tubuh manusia. Rumah sakit beserta
tenaga medis khususnya di indonesia saat ini sedang kesulitan menerima pasien
yang membutuhkan pelayanan kesehatan dikarenakan ruangan rawat inap di
dominasi oleh pasien terkonfirmasi positif Covid-19, oleh karena itu pemerintah
mengeluarkan kebijakan bagi pasien terkonfirmasi positif Covid-19 untuk
melakukan isoman (isolasi mandiri) bagi yang bergejala ringan, serta rawat lanjut
(isolasi di rumah sakit) bagi yang bergejala berat. Maka dari itu, alternatif yang
dapat digunakan adalah dengan metode klasifikasi datamining untuk menentukan
pasien terkonfirmasi positif Covid-19 melakukan isoman atau rawat lanjut. Dengan
permasalahan yang ada, maka peneliti akan melakukan analisa terhadap komparasi
algoritma Random Forest dan algoritma Support Vector Machine untuk klasifikasi
kriteria isolasi bagi pasien terkonfirmasi positif Covid-19 dengan pengujian
Confusion Matrix dan k-fold Cross Validation.
Metodologi penelitian yang digunakan adalah metode CRISP-DM(Cross-Industry
Standard Process for Data Mining) sebagai strategi pemecahan masalah pada
penelitian ini. Dataset yang telah diperoleh dilakukan tahap Preproccessing
sedemikian rupa agar sesuai dengan kebutuhan algoritma Random Forest dan
algoritma Support Vector Machine. Data training dan data testing yang digunakan
akan menyeseuaikan berdasarkan evaluasi pengujian yang dilakukan. Dengan
melewati beberapa evaluasi pengujian, algoritma Random Forest memperoleh
akurasi diatas 90%, sedangkan algoritma Support Vector Machine memperoleh
akurasi diatas 85%.}
		}