Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal JIEET (Journal of Information Engineering and Educational Technology)
anita, anita desiani
Unknown Affiliation
Computer Science & IT Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Teknik Ensemble Stacking pada Klasifikasi Penyakit Anemia anita, anita desiani; Mukhlisah, Nur; Indira, Ria; Novi Rustiana Dewi; Yuli Andriani
JIEET (Journal of Information Engineering and Educational Technology) Vol. 9 No. 1 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jieet.v9n1.p51-55

Abstract

Abstrak— Anemia adalah penyakit yang disebabkan oleh kondisi seseorang yang memiliki kadar hemoglobin (Hb) darah dibawah normal. Deteksi penyakit dapat menggunakan bantuan data mining untuk mengklasifikasikan penyakit. Algoritma yang digunakan dalam penelitian ini adalah Gaussian Naive Bayes, K-Nearest Neighbor dan Support Vector Machine yang kemudian diterapkan pada teknik ensemble stacking. Penerapan Ensemble bertujuan untuk mendapatkan nilai keakurasian yang lebih baik dari klasifikasi individu. Pengujian algoritma ini menggunakan dua teknik pengujian yaitu percentage split dan k-fold cross validation. Untuk percentage split menggunakan ukuran split sebesar 80% data training dan 20% data uji dan pada k-fold cross validation dipilih nilai k=10. Hasil klasifikasi dari algoritma-algoritma tersebut memperoleh bahwa percentage split mendapatkan hasil akurasi yang lebih baik dibandingkan k-fold cross validation. Algoritma Support Vector Machine (SVM), Gaussian Naive Bayes dan k-Nearest Neighbor (kNN) dengan teknik pengujian percentage split memperoleh hasil akurasi secara berturut-turut sebesar 90,16%, 94,61% dan 96,49%. K-Nearest Neighbor (kNN) menghasilkan nilai akurasi tertinggi dari ketiga algoritma tersebut, namun dengan penerapan teknik ensemble memberikan kenaikan akurasi sebesar 1.05% dari hasil k-Nearest Neighbor (kNN). Ensemble dengan model stacking memperoleh hasil akurasi sebesar 97,19%. Berdasarkan hasil yang diperoleh dapat disimpulkan bahwa ensemble dengan model stacking dengan teknik pengujian percentage split memperoleh kinerja yang terbaik dari algoritma lainnya pada klasifikasi penyakit anemnia. Kata Kunci— Ensemble Learning, Support Vector Machine, Gaussian Naive Bayes, K-Nearest Neighbor, Anemia
Co-Authors Indira, Ria Mukhlisah, Nur Novi Rustiana Dewi Yuli Andriani