Komparasi Algoritma Random Forest & Support Vector Machine dalam klasifikasi isolasi passien covid-19
Total View This Week4
Total View This Week4
Institusion
STMIK Bumi Gora
Author
Ramdhani, Hana
Subject
T Technology (General)
Datestamp
2022-03-02 02:03:11
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%.
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%.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
