Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

210401135

Judul :

PERBANDINGAN ALGORITMA K-NEAREST NEIGHBORS DAN NAÏVE BAYES DALAM KLASIFIKASI STROKE

Penulis :

TAUFIK HIDAYAT

Abstrak :

Penelitian ini membahas klasifikasi penyakit stroke menggunakan algoritma K-Nearest Neighborss (KNN) dan Naïve Bayes dengan penerapan metode penyeimbangan data SMOTE. Stroke merupakan salah satu penyebab utama kematian di dunia, sehingga deteksi dini sangat penting untuk membantu penanganan yang lebih cepat dan tepat. Penelitian ini bertujuan untuk membandingkan performa kedua algoritma dalam mengklasifikasikan data penyakit stroke. Proses penelitian meliputi pengumpulan dataset, tahap preprocessing data, pembagian data latih dan data uji, penyeimbangan data menggunakan SMOTE, serta pelatihan model menggunakan algoritma KNN dan Naïve Bayes. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa algoritma KNN memberikan performa yang lebih baik dibandingkan Naïve Bayes pada seluruh skenario pengujian. Pada rasio data 90:10, KNN memperoleh akurasi sebesar 0,83, sedangkan Naïve Bayes memperoleh akurasi sebesar 0,76. Berdasarkan hasil tersebut, dapat disimpulkan bahwa algoritma KNN lebih optimal dalam mengklasifikasikan penyakit stroke pada dataset yang digunakan. Kata Kunci: stroke, klasifikasi, KNN, Naïve Bayes, SMOTE

Abstrak Inggris :

This study examines stroke classification using the K-Nearest Neighborss (KNN) and Naïve Bayes algorithms, applying the SMOTE data balancing method. Stroke is a leading cause of death worldwide, making early detection crucial for faster and more accurate treatment. This study aims to compare the performance of the two algorithms in classifying stroke data. The research process included dataset collection, data preprocessing, dividing training and test data, data balancing using SMOTE, and model training using the KNN and Naïve Bayes algorithms. Model evaluation was performed using a confusion matrix with metrics such as accuracy, precision, recall, and F1-Score. The results showed that the KNN algorithm performed better than Naïve Bayes across all test scenarios. At a 90:10 data ratio, KNN achieved an accuracy of 0.83, while Naïve Bayes achieved an accuracy of 0.76. Based on these results, it can be concluded that the KNN algorithm is more optimal in classifying stroke in the used dataset. Keywords: stroke, classification, KNN, Naïve Bayes, SMOTE

Tahun :

2026

Cover :

Bab 1 :

Bab 2 :

Bab 3 :

Bab 4 :