Implementasi Algoritma C5.0 Dan K-Medoids Untuk Klasterisasi Ibu Hamil Beresiko Tinggi

Abstract

Considering the problem of maternal and under-five mortality rates, and the high number of pregnancies at risk is not just a matter of the health world. The role of information technology that is developing very rapidly can be used as a solution to the problem of risky pregnancy. What's more, computers often change functions to turn off routine human work and decision making. Then to overcome this case two algorithms will be applied namely: (a) Decision Tree C5.0 Algorithm, (b) K-Medoids Clustering. Commercial Version 5.0 (C5.0) method for processing the analysis variables used. The use of C5.0 in this case is for attribute selection so that it produces very powerful features. After doing the selection of new data features will be grouped using K-Medoids for analysis so that they can be used as a reference for handling this case. The application of these two methods is also so that the decisions that are made later are more targeted to reduce or overcome the problem of high-risk maternal pregnancy. AbstrakMengingat permasalahan angka kematian ibu dan balita, dan tingginya angka kehamilan beresiko tidak hanya masalah dunia kesehatan saja. Peranan Teknologi informasi yang berkembang sangat pesat dapat dijadikan soluli terhadap permasalahan kehamilan beresiko. Terlebih lagi, computer sering kali berubah fungsi untuk mengatikan pekerjaan manusia yang bersifat rutinitas maupun pengambilan keputusan. Maka untuk mengatasi kasus ini akan diterapkan dua algoritma yaitu: (a) Algoritma Decision Tree C5.0, (b) K-Medoids Clustering. Metode Commercial Version 5.0 (C5.0) untuk mengolah variabel-variabel analisa yang digunakan. Penggunaan C5.0 pada kasus ini untuk melakukan seleksi atribut sehinga menghasilakan fitur yang sangat berpengauh. Setelah melalukan seleksi fitur data yang baru akan dikelompokkan menggunakan K-Medoids untuk di analisa agar dapat dijadikan acuan untuk penanganan pada kasus ini. Penerapan kedua metode ini juga agar keputusan yang nanti diambil lebih tepat sasaran untuk mengurangi atau mengatasi masalah kehamilan ibu yang beresiko tinggi.

Klasterisasi Data Penjualan Alat Transportasi Dengan Rapidminer Menggunakan Metode K-Medoid

“…RapidMiner sendiri ialah salah satu platform perangkat lunak yang menyediakan pemeriksaan penambangan informasi, penambangan teks dan analitik preditiktif. RapidMiner menggunakan Teknik dekskriptif dan prediktif untuk menyajikan informasi kepada pemakai sehingga mereka dapat mengambil kesimpulan yang terbaik [10]. RapidMiner ini sendiri dibuat dan ditulis menggunakan Bahasa pemrograman Java, maka dari itu RapidMiner ini bisa dijalankan di berbagai macam system perangkat lunak.…”

Klasterisasi Tingkat Masa Studi Tepat Waktu Mahasiswa Menggunakan Algoritma K-Medoids

“…Data yang di ambil diperoleh dari pusat sistem informasi mengenai data mahasiswa angkatan 2019-2020 dengan atribut yang digunakan adalah Nama Mahasiswa, Jenis Kelamin, Ssatuan Kredit Semester (SKS) dan Indeks Prestasi Komulatif (IPK). [4].…”

Klasterisasi Tingkat Masa Studi Tepat Waktu Mahasiswa Menggunakan Algoritma K-Medoids

“…Penelitian sebelumnya yang telah dilakukan pada tahun 2020 dengan menggunakan metode K-Medoid diantaranya adalah untuk klasterisasi ibu hamil beresiko tinggi . dimana hasil klasterisasi sangat membantu dalam penentuan keputusan dalam kecenderungan-kecenderungan yang terjadi pada ibu hamil, serta dapat digunakan dalam menentukan fitur yang berpengaruh dalam penanganan kesehatan ibu hamil [4].…”