MAHESWARI, Naqiya Zelda (2026) Klasifikasi Multi-Label pada Diagnosis Gangguan Jiwa Menggunakan Metode Weighted Multi-label K-Nearest Neighbor. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (412kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (356kB)
	Text 4. HALAMAN PENGESAHAN II.pdf Download (602kB)
	Text 5. KATA PENGANTAR.pdf Download (497kB)
	Text 6. ABSTRAK.pdf Download (433kB)
	Text 7. ABSTRACT.pdf Download (460kB)
	Text 8. DAFTAR ISI.pdf Download (502kB)
	Text 12. BAB I.pdf Download (856kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (543kB)

Abstract

Gangguan jiwa merupakan isu kesehatan yang terus meningkat dengan kompleksitas diagnosis akibat kemungkinan munculnya lebih dari satu gangguan pada individu yang sama, sehingga diperlukan metode klasifikasi multi-label yang mampu menangani lebih dari satu label secara bersamaan. Penelitian ini
menggunakan 345 data rekam medis pasien gangguan jiwa di RSUD dr. Loekmono Hadi Kudus yang diperoleh melalui teknik purposive sampling, dengan empat label diagnosis yaitu Skizofrenia, Gangguan Skizoafektif, Gangguan Bipolar, dan Episode Depresi, di mana variabel prediktor yang digunakan adalah data gejala klinis pasien. Data dibagi menggunakan skema train-test split sebesar 60:40, di mana data latih digunakan untuk membangun model dan data uji digunakan untuk mengevaluasi performa klasifikasi. Metode klasifikasi multi-label yang digunakan adalah Weighted Multi-Label K-Nearest Neighbor (Weighted ML-KNN) di mana metode tersebut menerapkan bobot pada ML-KNN. Jarak dihitung menggunakan
jarak Gower karena variabel yang digunakan bersifat kategorik. Parameter k merepresentasikan jumlah tetangga terdekat dari data uji, sedangkan parameter σ berfungsi sebagai faktor koreksi bobot untuk mengontrol pengaruh distribusi jarak antar data sehingga kontribusi tetangga yang lebih dekat menjadi lebih dominan. Pengujian dilakukan pada beberapa kombinasi nilai k dan σ untuk memperoleh model yang optimal. Hasil penelitian menunjukkan bahwa kombinasi k = 10 dan σ = 0,0001menghasilkan performa terbaik. Dibandingkan dengan metode ML-KNN, Weighted ML-KNN mampu menurunkan frekuensi kesalahan prediksi yang ditunjukkan oleh nilai Hamming Loss sebesar 16,67%, lebih rendah dibandingkan
dengan Hamming Loss pada ML-KNN sebesar 17,93%. Selain itu, Weighted MLKNN juga menghasilkan nilai precision, recall, dan f1-score yang lebih tinggi, hasil ini menunjukkan bahwa penerapan pembobotan pada ML-KNN efektif dalam meningkatkan performa klasifikasi multi-label, khususnya dalam menangani kompleksitas diagnosis dan ketidakseimbangan label pada data gangguan jiwa.
Kata Kunci: Gangguan Jiwa, Klasifikasi Multi-label, ML-KNN, Weighted MLKNN, Jarak Gower

Actions (login required)

View Item