Penerapan Adaboost Pada Algoritma Decision Tree, Random Forest, Support Vector Machine Dan Naïve Bayes Untuk Klasifikasi Mental Disorder

Yulia Husna Dewi, 202069040069 (2024) Penerapan Adaboost Pada Algoritma Decision Tree, Random Forest, Support Vector Machine Dan Naïve Bayes Untuk Klasifikasi Mental Disorder. Sarjana thesis, Universitas Yudharta.

	Text (Abstrak.pdf) 202069040069_Abstrak.pdf Restricted to Registered users only Download (626kB) | Request a copy
	Text (BAB I.pdf) 202069040069_BAB I.pdf Restricted to Registered users only Download (564kB) | Request a copy
	Text (BAB II.pdf) 202069040069_BAB II.pdf Restricted to Registered users only Download (656kB) | Request a copy
	Text (BAB III.pdf) 202069040069_BAB III.pdf Restricted to Registered users only Download (803kB) | Request a copy
	Text (BAB IV.pdf) 202069040069_BAB IV.pdf Restricted to Registered users only Download (821kB) | Request a copy
	Text (BAB V.pdf) 202069040069_BAB V.pdf Restricted to Registered users only Download (439kB) | Request a copy
	Text (Daftar Pustaka.pdf) 202069040069_Daftar Pustaka.pdf Restricted to Registered users only Download (551kB) | Request a copy
	Text (Halaman Depan.pdf) 202069040069_Halaman Depan.pdf Restricted to Registered users only Download (459kB) | Request a copy

Abstract

Gangguan mental merupakan sindrom yang ditandai oleh pola perilaku yang menyebabkan penderitaan dan gangguan fungsi penting dalam kehidupan individu, sehingga identifikasi dini gejala sangat penting. Dengan kemajuan teknologi, terutama dalam bidang machine learning, terdapat potensi besar untuk memprediksi gangguan mental menggunakan berbagai algoritma. Penelitian ini mengevaluasi efektivitas algoritma Adaboost dalam memprediksi gangguan mental dengan menggabungkannya dengan algoritma Decision Tree, Random Forest, Support Vector Machine (SVM), dan Naïve Bayes. Metodologi yang diterapkan mencakup pembagian data dengan rasio 70/30. Hasil evaluasi menunjukkan bahwa akurasi algoritma Decision Tree dan Random Forest mencapai 99,47%, baik sebelum maupun setelah dioptimasi dengan Adaboost. Sebaliknya, akurasi SVM meningkat dari 57,29% tanpa optimasi, menjadi 79,16% setelah dioptimasi. Naïve Bayes menunjukkan akurasi 97,91% yang tetap konsisten setelah dioptimasi. Temuan ini menunjukkan potensi Adaboost dalam meningkatkan akurasi model prediksi gangguan mental.

Item Type:	Thesis (Sarjana)
Identification Number:	0313-KI-24-01
Contributors:	Contribution Contributors Email Thesis advisor Lukman Hakim, S.Kom., P.hD, ㅤ UNSPECIFIED
Subjects:	Karya Umum > Ensiklopedia
Divisions:	Fakultas Teknik > Teknik Informatika
Date Deposited:	08 Aug 2024 07:24
Last Modified:	04 Jan 2025 09:43
URI:	https://repository.yudharta.ac.id/id/eprint/5608

Actions (login required)

View Item