Deteksi Covid-19 Menggunakan Metode Oversampling K-Means Smote Dan Metode Klasifikasi Ramdom Forest.

Setyaji, Ari (2022) Deteksi Covid-19 Menggunakan Metode Oversampling K-Means Smote Dan Metode Klasifikasi Ramdom Forest. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111540000104-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (1MB)

Abstract

Virus corona atau disebut juga dengan Corona Virus Disease 2019 (Covid-19) adalah pandemi yang menyebabkan banyak korban diseluruh dunia. Dibutuhkan system deteksi yang cepat untuk mendeteksi Covid-19, dan untuk mengetahui keadaan setiap pasien memerlukan alat diagnosa yang akan menunjukkaan diagnosa infeksi Covid-19. Machine learning merupakan salah satu cara untuk diagnosa yang cepat dan lebih akurat. Banyak badan riset yang terus mengembangkan dalam pengaplikasian machine learning, maka penulis akan menggunakan klasifikasi Random Forest yang merupakan bagian dari machine learning merupakan algoritma yang digunakan pada data yang berjumlah besar, dengan klasifikasi ini akan menghasilkan hasil yang cepat dan lebih akurat. Tugas akhir ini menggunakan dataset yang didapat dari Covid-19. Pada proses pengujian dataset yang didapat belum bisa dikatakan seimbang, untuk menghasilkan pengujian yang lebih akurat, maka dataset yang belum seimbang akan proses lebih dahulu menggunakan K-Mean SMOTE dengan tujuan untuk menangani ketidak seimbangan kelas dalam klasifikasi Covid-19. Dengan keseimbangan dataset maka pengujian akan dapat memberikan hasil berupa prediksi klasifikasi yang mempunyai akurasi lebih tinggi. Dataset kemudian akan dilakukan pengujian dengan klasifikasi Random Forest pada data uji yang bertujuan untuk mengklasifikasi agar mendapat performa yang tinggi. Data uji setelah dilakukan klasifikasi dengan K-means SMOTE menghasilkan evaluasi dengan akurasi 91%, Recall sebesar 53%, dan F1-Score sebesar 64%.
==================================================================================================================================
Corona virus or also known as Corona Virus Disease 2019 (Covid-19) is a pandemic that causes many victims around the world. A rapid detection system is needed to detect Covid-19, and to find out the condition of each patient requires a diagnostic tool that will show the diagnosis of Covid-19 infection. Machine learning is one way for faster and more accurate diagnosis. Many research bodies continue to develop in the application of machine learning, so the author will use the Random Forest classification which is part of machine learning, an algorithm that is used on large amounts of data, with this classification will produce faster and more accurate results. This final project uses a dataset obtained from Covid-19. In the process of testing the dataset obtained cannot be said to be balanced, to produce a more accurate test, the unbalanced dataset will be processed first using K-Mean SMOTE with the aim of dealing with class imbalances in the Covid-19 classification. With the balance of the dataset, the test will be able to provide results in the form of classification predictions that have higher accuracy. The dataset will then be tested with the Random Forest classification on the test data which aims to classify it in order to get high performance. The test data after classification with K-means SMOTE resulted in an evaluation with an accuracy of 91%, Recall by 53%, and F1-Score by 64%.

Item Type:	Thesis (Other)
Additional Information:	RSIf 006.3 Set d-1 2022
Uncontrolled Keywords:	Covid-19, Oversampling K-Means SMOTE, Klasifikasi Random Forest. COVID-19, Oversampling K-Means SMOTE, classification Random Forest.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	25 May 2026 01:10
Last Modified:	25 May 2026 01:10
URI:	http://repository.its.ac.id/id/eprint/133364

Actions (login required)

View Item