Peningkatan Akurasi Pada Algoritma ID3 Menggunakan Operator Bagging Dalam Mendiagnosa Kesehatan Kehamilan

Peningkatan Akurasi Pada Algoritma ID3 Menggunakan Operator Bagging Dalam Mendiagnosa Kesehatan Kehamilan

• By Hikmatulloh, Hikmatulloh; Susilawati,Susilawati, Nurajizah,Siti;
• Jurnal Nasional Terakreditasi
• 442
• 92-96

Semakin meningkatnya resiko kematian yang dialami oleh ibu hamil, salah satu penyebanya dikarenakan faktor keterlambatan dalam mengambil sebuah keputusan. Hal tersebut menjadi dasar untuk dilakukan kembali peningkatan akurasi pembelajaran mesin (mechine learning) dalam mengolah data untuk mendiagnosa kesehatan kehamilan. Penelitian ini dilakukan dengan menggunakan dataset dari penelitian sebelumnya pada tahun 2019 berjudul “Penerapan Algoritma Iterative Dichotomiser Three (ID3) Dalam Mendiagnosa Kesehatan Kehamilan”, yang menghasilkan akurasi sebesar 80.33%. Tujuan penelitian ini yaitu untuk meningkatkan akurasi dari algoritma Iterative Dichotomiser Three (ID3) yang telah dilakukan pada penelitian sebelumnya tersebut. Metode yang digunakan untuk meningkatkan akurasi dalam penelitian ini yaitu menggunakan metode ensemble learning bagging. Sampel rasio yang diterapkan pada metode metode ensemble learning bagging ini sebesar 0.9 dengan 5 kali iterasi. Hasil penelitian ini adalah berupa peningkatan akurasi setelah ditambahkan metode ensemble learning bagging pada algoritma ID3 dengan hasil peningkatan sebesar 3.19%, sehingga akurasi yang didapat dalam model data yang diolah untuk mendiagnosa kesehatan kehamilan naik menjadi 83.52%.

• Katakunci bagging, ensemble, id3, kehamilan
• URL https://ejournal.bsi.ac.id/ejurnal/index.php/ijcit/article/view/10232/pdf
• Penerbit ,

REFERENSI

Abdillah, A., Nurajijah, N., & Nawawi, I. (2018). Perancangan Sistem Pakar Diagnosa Penyakit Kehamilan Berbasis Web. Jurnal Techno Nusa Mandiri, 15(2), 115. https://doi.org/10.33480/techno.v15i2. 910

Agwil, W., Fransiska, H., & Hidayati, N. (2019). Analisis ketepatan waktu lulus mahasiswa dengan menggunakan bagging cart, 155–166.

Aji, A. H., Furqon, M. T., & Widodo, A. W. (2018). Sistem Pakar Diagnosa Penyakit Ibu Hamil Menggunakan Metode Certainty Factor ( CF ), 2(5), 2127–2134.

Arrahimi, A. R., Ihsan, M. K., Kartini, D., Faisal, M. R., & Indriani, F. (2019). Teknik Bagging Dan Boosting Pada Algoritma CART Untuk Klasifikasi Masa Studi Mahasiswa. Jurnal Sains Dan Informatika, 5(1), 21–30. https://doi.org/10.34128/jsi.v5i1.171 Foroozand, H., &

Weijs, S. V. (2017). Entropy ensemble filter: A modified bootstrap aggregating (Bagging) procedure to improve efficiency in ensemble model simulation. Entropy, 19(10). https://doi.org/10.3390/e19100520

Hikmatulloh, H., Rahmawati, A., Wintana, D., & Ambarsari, D. A. (2019). Penerapan Algoritma Iterative Dichotomiser Three (Id3) Dalam Mendiagnosa Kesehatan Kehamilan. Klik - Kumpulan Jurnal Ilmu Komputer, 6(2), 116. https://doi.org/10.20527/klik.v6i2.189

Mirqotussa’adah, M., Muslim, M. A., Sugiharti, E., Prasetiyo, B., & Alimah, S. (2017). Penerapan Dizcretization dan Teknik Bagging Untuk Meningkatkan Akurasi Klasifikasi Berbasis Ensemble pada Algoritma C4.5 dalam Mendiagnosa Diabetes. Lontar Komputer : Jurnal Ilmiah Teknologi Informasi, 8(2), 135. https://doi.org/10.24843/lkjiti.2017.v08. i02.p07 Setiyorini, T., &

Wahono, R. S. (2015). Penerapan Metode Bagging untuk Mengurangi Data Noise pada Neural Network untuk Estimasi Kuat Tekan Beton, 1(1), 37–42.

Sulaiman, O. K. (2020). Merdeka Kreatif di Era Pandemi Covid-19.

Sumanto, D. (2005). Presisi dan Akurasi Hasil Penelitian Kuatitatif Berdasarkan Pengambilan Sample Secara Acak. Jurnal Litbang Universitas Muhammadiyah Semarang, 2(2), 45–53. Retrieved from http://jurnal.unimus.ac.id