Teks

Penerapan Feature Selection Information Gain Pada Algoritma Naive Bayes Untuk Prediksi Kesehatan Mental Mahasiswa

---

Gangguan kesehatan mental menjadi salah satu masalah yang paling dikhawatirkan
penduduk dunia, karena setiap tahunnya mengalami peningkatan terutama pada
tingkat remaja. Kesehatan mental memungkinkan seseorang untuk berfungsi secara
optimal dalam kehidupan sehari-hari. Pada dasarnya mahasiswa memiliki sifat
kebebasan, emosi yang tidak stabil dan rentan mengalami berbagai permasalahan
kesehatan mental, seperti stress, depresi, kecemasan yang disebabkan oleh tekanan
akademik maupun lingkungan sekitar. Kesehatan mental seringkali tidak mendapat
perhatian yang cukup karena tidak dapat terlihat secara fisik atau kasat mata. Dari
kemajuan teknologi informasi yang semakin pesat dapat memberikan kemudahan
dalam berbagai bidang kehidupan, termasuk dalam bidang kesehatan. Penelitian ini
bertujuan untuk menerapkan feature selection information gain pada algoritmanaïve bayes untuk prediksi kesehatan mental mahasiswa sehingga dapat
menemukan pola dan mengetahui atribut yang paling berpengaruh.
Metode data mining yang digunakan dalam penelitian ini yaitu tahapan Crisp-dm
dengan algoritma Naïve Bayes dipilih karena memiliki kinerja yang baik, efisien
dan sederhana dalam menemukan pola, menganalisis serta untuk memprediksi
suatu label dari atribut yang belum diketahui pada data kesehatan mental
menggunakan rapidminer dan perhitungan manual ms.excel dengan label Yes
Treatment dan No Treatment. Namun algoritma naïve bayes memiliki kelemahan
dalam hal sangat sensitif terhadap pemilihan fitur, karena algoritma ini menerapkan
asumsi independensi sehingga dapat menghambat kinerja klasifikasi dan
akurasinya bisa berkurang. Maka dari itu peneliti akan menerapkan Feature
selection information gain untuk memilih atribut yang paling berpengaruh pada
label dalam meningkatkan kinerja algoritma. Atribut yang memenuhi kriteria
pembobotan nantinya akan digunakan dalam proses prediksi sehingga
meningkatkan nilai akurasi data agar lebih baik. Data yang digunakan dalam
penelitian ini merupakan dataset publik bersumber dari website Kaggle dengan
jumlah 101 record, dan terdiri dari 10 atribut diantaranya; Person, gender, Age,
course, current Study, CGPA, Depression, Anxiety, Panic attack, specialist for a
treatment.
Hasil penelitian menunjukan bahwa kinerja algoritma naïve bayes dengan nilai
akurasi 89,11%. Kemudian penerapan feature selection information gain pada
algoritma naïve bayes adalah 92,08% dengan selisih 2,97%. Dengan atribut
relevannya yaitu Course, Depression, Panic attack, Anxiety dan CGPA. Maka dapat
disimpulkan bahwa penerapan feature selection information gain pada algoritma
naïve bayes dapat digunakan dalam prediksi kesehatan mental berdasarkan
kekurangan algoritma sehingga dilakukan pemilihan fitur sehingga dapat
meningkatkan performa algoritma dan menghasilkan akurasi yang lebih baik.

---

Ketersediaan

S00024.24

RF SI.S00024.24 Zak p

My Library (Referensi)

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

RF SI.S00024.24 Zak p

Penerbit

Brebes : STMIK MPB., 2024

Deskripsi Fisik

xv,93hlm.;30cm

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

SI.S00024.24

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

data mining
Naïve Bayes
Kesehatan mental
prediksi
Algoritma Naïve Bayes
Feature Selection Information Gain

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Syifa Zakia Salsabila (20.02.0.0048) Skripsi diajukan kepada Program Sarjana Sebagai bagian persyaratan untuk meraih derajat Sarjana Komputer

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar