MILA, Afifa Nur (2026) Klasifikasi Multilabel Naive Bayes dengan Seleksi Fitur Multilabel Feature Selection using Mutual Information and ML-ReliefF (MFS-MIRF) pada Diagnosis Gangguan Mental. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (59kB)
	Text 3. Halaman Pengesahan 1.pdf Download (293kB)
	Text 4. Halaman Pengesahan II.pdf Download (261kB)
	Text 5. Kata Pengantar.pdf Download (120kB)
	Text 6. Abstrak.pdf Download (120kB)
	Text 7. Abstract.pdf Download (119kB)
	Text 8. Daftar Isi.pdf Download (218kB)
	Text 12. Bab I Pendahuluan.pdf Download (280kB)
	Text 17. Daftar Pustaka.pdf Download (133kB)

Abstract

Pasien dengan gangguan mental dapat mengalami lebih dari satu diagnosis
secara bersamaan, sehingga meningkatkan kompleksitas dalam proses diagnosis
klinis. Kondisi ini memerlukan pendekatan komputasional yang mampu memprediksi
beberapa diagnosis sekaligus. Oleh karena itu, klasifikasi multilabel menjadi solusi
yang tepat dalam diagnosis gangguan mental. Penelitian ini menerapkan algoritma
Multi-Label Naïve Bayes (MLNB) dengan pendekatan Binary Relevance untuk
membangun model prediksi diagnosis. Data rekam medis psikiatri umumnya
berdimensi tinggi dan memiliki fitur gejala yang saling tumpang tindih, yang dapat
memengaruhi kinerja klasifikasi. Penyelesaian masalah tersebut dilakukan dengan
menerapkan metode seleksi fitur Multilabel Feature Selection using Mutual
Information and ML-ReliefF (MFS-MIRF) pada proses pemodelan. Metode ini
dilakukan melalui dua tahap, yaitu penyaringan awal menggunakan Weighted Mutual
Information (WMI) untuk mengeliminasi fitur yang tidak relevan, diikuti dengan
algoritma ML-ReliefF untuk mengevaluasi bobot fitur berdasarkan fungsi
ketetanggaan dan relevansinya terhadap ruang label. Penelitian ini menyajikan studi
kasus berbasis data rekam medis pasien gangguan mental di RSUD dr. Loekmono
Hadi Kudus periode 2023–2025 yang terdiri atas 269 data pasien. Hasil penelitian
menunjukkan bahwa seleksi fitur mampu mereduksi dimensi menjadi 10 fitur optimal
serta meningkatkan kinerja klasifikasi, yang ditunjukkan dengan penurunan nilai
Hamming Loss dari 0,0636 menjadi 0,0591 dan peningkatan Subset Accuracy dari
0,8545 menjadi 0,8727. Hasil tersebut menunjukkan bahwa pendekatan yang
digunakan dapat meningkatkan performa klasifikasi dalam diagnosis gangguan mental
berbasis multilabel.
Kata Kunci: Gangguan Mental, Klasifikasi Multilabel, MFS-MIRF, Multilabel
Naive Bayes, Binary Relevance, Mutual Information, ML-ReliefF

Actions (login required)

View Item