ROKHIM, Sulaiman Nur (2024) Perbandingan Performa Algoritma Logistik Regresi, Decision Tree, Light GBM Untuk Prediksi Konflik Pada Klasifikasi Varian Genetik. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. cover.pdf Download (32kB)
	Text 3.HALAMAN PENGESAHAN.pdf Download (192kB)
	Text 4. KATA PENGANTAR.pdf Download (357kB)
	Text 6. Abstrak dan Abstract.pdf Download (8kB)
	Text 7. DAFTAR ISI.pdf Download (43kB)
	Text 10. BAB I PENDAHULUAN.pdf Download (16kB)
	Text 15. DAFTAR PUSTAKA.pdf Download (12kB)

Abstract

Penelitian ini bertujuan untuk mengevaluasi performa algoritma Logistic Regression,
Decision Tree, dan LightGBM dalam memprediksi konflik klasifikasi pada varian genetik.
Dengan pertumbuhan teknologi genomics yang pesat, pengumpulan data genetik dalam
skala besar telah menjadi lebih mudah, memungkinkan analisis mendalam untuk menilai
risiko penyakit dan respons terhadap terapi medis. Masalah yang dihadapi adalah
ketidakpastian dalam mengidentifikasi varian genetik yang dapat memiliki klasifikasi yang
bertentangan, yang dapat mempengaruhi keputusan klinis dan penelitian genetik. Solusi
yang diusulkan adalah menggunakan tiga model machine learning yang berbeda untuk
memprediksi kemungkinan konflik klasifikasi, dengan evaluasi menggunakan metrik
akurasi, precision, recall, F1-score, dan specificity melalui teknik cross-validation. Hasil
dari penelitian ini diharapkan memberikan wawasan penting tentang efektivitas pendekatan
machine learning dalam analisis data genetik, serta memberikan rekomendasi untuk aplikasi
klinis dan arah penelitian mendatang dalam genomics.
Kata Kunci : Logistic Regression, Decision Tree, LightGBM, klasifikasi varian genetik,
prediksi konflik, machine learning, genomics, evaluasi model

Actions (login required)

View Item