Klasifikasi Polycystic Ovary Syndrome (PCOS) berdasarkan Local Outlier Factor (LOF) dan Linear Discriminant Analysis (LDA) menggunakan metode Kernel Extreme Learning Machine (KELM)

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Ambadar, Panreshma Rizkha (2024) Klasifikasi Polycystic Ovary Syndrome (PCOS) berdasarkan Local Outlier Factor (LOF) dan Linear Discriminant Analysis (LDA) menggunakan metode Kernel Extreme Learning Machine (KELM). Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Panreshma Rizkha Ambadar_09040221059 full.pdf Restricted to Repository staff only until 13 January 2028. Download (5MB)
	Text Panreshma Rizkha Ambadar_09040221059.pdf Download (5MB)

Abstract

Polycystic Ovary Syndrome (PCOS) merupakan kelainan yang terjadi pada organ reproduksi perempuan. Kelainan ini mempunyai dampak implikasi klinis yang beragam dan serius, diantaranya pada bagian reproduksi, metabolisme, hingga gangguan psikologis. Identifikasi yang tepat terhadap kelainan ini sangat penting untuk mendukung penanganan yang efektif. Dalam penelitian ini, digunakan metode Kernel Extreme Learning Machine (KELM) sebagai pendekatan untuk melakukan klasifikasi kelainan PCOS berdasarkan data rekam medis pasien. Penelitian ini juga melibatkan pengolahan data dengan Local Outlier Factor (LOF) untuk menangani data outlier dan seleksi fitur terbaik menggunakan Linear Discriminant Analysis (LDA) guna meningkatkan akurasi klasifikasi. Tujuan penelitian adalah mengetahui hasil klasifikasi dengan metode KELM pada data inlier kelainan PCOS dengan fitur terpilih. Berbagai uji coba dilakukan, termasuk variasi kernel pada KELM dan nilai parameter tetangga terdekat pada LOF, untuk mengoptimalkan hasil klasifikasi. Hasil penelitian menunjukkan bahwa ketiga kombinasi dari metode LOF, LDA, dan KELM memiliki nilai akurasi 100%, sensitivitas 100%, dan spesifisitas 100%, yang menunjukkan kombinasi ketiga metode ini mampu meningkatkan kualitas deteksi dan klasifikasi data PCOS. Penghapusan outlier menggunakan LOF menghasilkan distribusi data yang lebih stabil dan representatif. Sedangkan seleksi fitur dengan LDA membantu memilih fitur terpilih, sehingga mendukung kinerja KELM dalam menghasilkan akurasi tinggi.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM Ambadar, Panreshma Rizkha rizkhambadar@gmail.com 09040221059
Contributors:	Contribution Name Email NIDN Thesis advisor Novitasari, Dian Candra Rini diancrini@uinsby.ac.id 2024118502 Thesis advisor Hamid, Abdulloh doelhamid@uinsby.ac.id 2028088501
Subjects:	Matematika Pendidikan > Metode
Keywords:	Polycystic Ovary Syndrome (PCOS); Local Outlier Factor (LOF); Linear Discriminant Analysis (LDA); metode Kernel Extreme Learning Machine (KELM)
Divisions:	Fakultas Sains dan Teknologi > Studi Matematika
Depositing User:	Panreshma Rizkha Ambadar
Date Deposited:	13 Jan 2025 03:28
Last Modified:	13 Jan 2025 03:28
URI:	http://digilib.uinsa.ac.id/id/eprint/75468

Actions (login required)

View Item