Sistem penentuan rencana tindak lanjut Rehabilitasi Narkotika menggunakan metode Random Forest pada BNN Kota Surabaya

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Nugroho, Gesang Bekti Setyo (2019) Sistem penentuan rencana tindak lanjut Rehabilitasi Narkotika menggunakan metode Random Forest pada BNN Kota Surabaya. Undergraduate thesis, UIN Sunan Ampel Surabaya.

Text
Gesang Bekti Setyo Nugroho_H76215017.pdf
Download (3MB)

Abstract

Semakin banyaknya kasus penyalahgunaan narkotika di Indonesia khususnya di kota Surabaya mendorong BNN Kota Surabaya melakukan tindakan yang bertujuan untuk mempercepat proses asesmen pasien agar lebih efisien dan efektif. Pemanfaatan teknologi informasi guna memberikan kemudahan dalam bentuk rekomendasi untuk menentukan rencana tindak lanjut rehabilitasi, mengingat BNN Kota Surabaya sendiri hanya memiliki 6 pakar asesmen sehingga dibuatlah sistem pendukung keputusan. Rencana tindak lanjut rehabilitasi merupakan tahap paling penting dalam proses asesmen serta memiliki pengaruh yang kuat bagi keselamatan pasien, pemilihan rencana tindak lanjut yang tepat dapat membantu pasien pulih dari pengaruh narkoba. Untuk mendapatkan rekomendasi yang tepat data yang telah didapatkan diolah sedemikian rupa menggunakan algoritma Random Forest, dari beberapa tinjauan penelitian sebelumnya algoritma Random Forest merupakan algoritma yang memiliki kelebihan antara lain dapat menghasilkan error yang lebih rendah, memberikan hasil yang bagus dalam klasifikasi, dapat mengatasi data training dalam jumlah sangat besar secara efisien, dan metode yang efektif untuk mengestimasi missing data. Pembangunan sistem dilakukan dengan mengimplementasikan random forest kedalam sistem menggunakan RestAPI untuk menghubungkan antara machine learning dengan sistem. Ditinjau dari hasil pengujian algoritma random forest yang menggunakan tiga skenario yakni 100:100 dan 70:30, dan 60:40. Pada skenario 100:100 akurasi,presisi dan recall sebesar 61%,64% dan 56%. Skenario 70:30 mendapat tingkat akurasi,presisi dan recall sebesar 25%,16% dan 19% serta skenario 60:40 mendapat tingkat akurasi,presisi dan recall sebesar 30%,31% dan 26%. Dari hasil pengujian algoritma random forest dapat dikatakan bahwa performa algoritma random forest pada penelitian ini kurang baik, dikarenakan banyaknya jumlah class yang akan diprediksi serta terbatasnya jumlah dataset yang digunakan. Pada pengujian sistem yang menggunakan black boX testing dapat dikatakan bahwa sistem layak untuk digunakan.