202310715084-PUTRI-ADELIA-AZIZAH/Project-Machine-Learning
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Update README.md

Browse Source
This commit is contained in:
202310715146 ADHWA ARDISTA KHOIRUNISA 2026-01-22 23:09:26 +07:00
parent f768dc9574
commit 6d7bcb4b7b
1 changed files with 24 additions and 1 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

23
README.md
View File

@ -33,6 +33,14 @@ Penelitian ini menggunakan pendekatan **klasifikasi**, yang bertujuan untuk
mengelompokkan data pasien ke dalam dua kelas, yaitu pasien diabetes dan mengelompokkan data pasien ke dalam dua kelas, yaitu pasien diabetes dan
non-diabetes, berdasarkan pola yang dipelajari dari data latih. non-diabetes, berdasarkan pola yang dipelajari dari data latih.
# Algoritma Machine Learning
Algoritma yang digunakan dalam penelitian ini meliputi:
- **Naïve Bayes Classifier**, bekerja berdasarkan pendekatan probabilistik dengan asumsi independensi antar fitur.
- **K-Nearest Neighbor (KNN)**, mengklasifikasikan data berdasarkan kedekatan jarak terhadap data latih terdekat.
- **Decision Tree**, melakukan klasifikasi berdasarkan aturan keputusan dalam bentuk struktur pohon.
Ketiga algoritma dipilih karena memiliki karakteristik dan pendekatan yang berbeda dalam proses klasifikasi, sehingga dapat dibandingkan performanya secara objektif.
# Tahapan Penelitian # Tahapan Penelitian
Tahapan penelitian dilakukan secara sistematis sebagai berikut: Tahapan penelitian dilakukan secara sistematis sebagai berikut:
1. Pengumpulan dataset dari sumber publik 1. Pengumpulan dataset dari sumber publik
@ -41,8 +49,23 @@ Tahapan penelitian dilakukan secara sistematis sebagai berikut:
4. Penerapan algoritma klasifikasi pada data latih 4. Penerapan algoritma klasifikasi pada data latih
5. Evaluasi performa model 5. Evaluasi performa model
# Evaluasi Model
Evaluasi performa model dilakukan menggunakan **Confusion Matrix** untuk mengetahui tingkat kesesuaian antara hasil prediksi dan data aktual.
Berdasarkan confusion matrix, diperoleh beberapa metrik evaluasi, yaitu:
- **Accuracy**, untuk mengukur tingkat ketepatan prediksi secara keseluruhan
- **Precision**, untuk mengukur ketepatan prediksi kelas positif
- **Recall**, untuk mengukur kemampuan model dalam mengenali data positif
- **F1-Score**, untuk menilai keseimbangan antara precision dan recall
Hasil evaluasi digunakan sebagai dasar dalam menentukan algoritma dengan performa terbaik pada dataset diabetes.
# Cross Validation # Cross Validation
Untuk meningkatkan keandalan dan konsistensi hasil penelitian, diterapkan Untuk meningkatkan keandalan dan konsistensi hasil penelitian, diterapkan
teknik **cross validation** pada proses pelatihan model. Metode ini bertujuan teknik **cross validation** pada proses pelatihan model. Metode ini bertujuan
untuk meminimalkan bias akibat pembagian data latih dan data uji, serta untuk meminimalkan bias akibat pembagian data latih dan data uji, serta
memberikan gambaran performa model yang lebih stabil. memberikan gambaran performa model yang lebih stabil.
# Hasil dan Pembahasan
Berdasarkan pengujian yang dilakukan, setiap algoritma klasifikasi menunjukkan kinerja yang berbeda dalam memprediksi penyakit diabetes. Evaluasi model dilakukan menggunakan confusion matrix serta metrik accuracy, precision, recall, dan F1-score.
Hasil pengujian menunjukkan bahwa algoritma Naïve Bayes dan K-Nearest Neighbor (KNN) mampu melakukan klasifikasi dengan cukup baik, namun memiliki keterbatasan masing-masing, sedangkan algoritma Decision Tree dapat memberikan performa terbaik karena mampu membentuk aturan keputusan dari kombinasi atribut, sehingga menghasilkan klasifikasi yang lebih akurat dan stabil. Penerapan cross validation juga menunjukkan bahwa model memiliki performa yang konsisten, sehingga Decision Tree menjadi algoritma yang paling sesuai digunakan dalam penelitian ini.