Analisis Perbandingan Kinerja Algoritma Multilayer Perceptron dan K-Nearest Neighbor pada Klasifikasi Tipe Migrain

Abstract

Migrain merupakan sakit kepala yang biasanya terjadi pada salah satu sisi kepala saja atau dapat disebut sakit kepala sebelah. Migrain dapat terjadi pada siapa saja dengan berbagai gejala yang menandakan tipe migrain yang berbeda. Banyaknya tipe migrain yang diiringi dengan gejala-gejala yang berbeda membuat diagnosis dan perawatan terhadap penderita migrain menjadi sulit dilakukan. Penelitian ini bertujuan untuk membandingkan performa Algoritma Multilayer Perceptron (MLP) dan K-Nearest Neighbor pada Klasifikasi Tipe Migrain. Agoritma Multilayer Perceptron (MLP) dan K-Nearest Neighbor untuk klasifikasi migrain diharapkan dapat membantu dalam mengklasifikasikan jenis migrain berdasarkan gejala-gejala yang muncul secara tepat dan akurat. Klasifikasi yang tepat dan akurat dapat membantu tenaga kesehatan dalam merekomendasikan perawatan yang tepat pula bagi penderita migrain sesuai dengan jenis migrain yang dialaminya. Adapun dataset yang digunakan merupakan dataset yang diakses secara publik dan diambil situs kaggle.com. Dataset ini memiliki 24 atribut dan 400 baris data. Hasil penelitian menunjukkan bahwa Algoritma Multilayer Perceptron (MLP) menghasil prediksi yang cukup baik dengan tingkat akurasi 91%. Sedangkan Algoritma K-Nearest Neighbor menghasilkan prediksi dengan tingkat akurasi sebesar 72%.

Comparative Analysis of Stroke Classification Using the K-Nearest Neighbor Decision Tree, and Multilayer Perceptron Methods

“…Classification related to stroke conditions is an essential element in accurately predicting the potential for stroke. [9] The K-Nearest Neighbor, Decision Tree, and Multilayer Perceptron algorithms are applied as a classification method to identify symptoms in patients, aiming to achieve an optimal level of accuracy [10]. In this study, a comparison will be made to determine which method has a higher level of accuracy in the classification process.…”