STMIK BANJARBARUSTMIK BANJARBARU

Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah Komputer

Permasalahan utama dalam model prediksi berbasis Fuzzy Logic (FL) adalah meningkatnya jumlah aturan seiring bertambahnya dimensi data, mengurangi efisiensi sistem dalam interpretasi dan prediksi. Penelitian ini bertujuan mengurai kompleksitas dan meningkatkan nilai akurasi prediksi DM menggunakan metode Fuzzy Decision Tree (FDT) berbasis Iterative Dichotomiser 3 (ID3). Data penelitian diperoleh dari National Institute of Diabetes and Digestive and Kidney Diseases dengan parameter glukosa, BMI, HDL, dan tekanan darah sistolik. Proses meliputi fuzzifikasi data, pembentukan pohon keputusan dengan ID3, serta penerapan dua threshold, yaitu FCT dan LDT. Hasil penelitian menunjukkan bahwa model FDT berhasil mengurangi jumlah aturan sebesar 25%, dari 81 aturan menjadi 60 aturan. Penerapan FDT berbasis ID3 berhasil meningkatkan nilai akurasi prediksi DM sebesar 80%.

Penelitian ini mengimplementasikan metode Fuzzy Decision Tree (FDT) berbasis algoritma Iterative Dichotomiser 3 (ID3) untuk mengurai kompleksitas model dalam melakukan prediksi DM.FDT dirancang untuk mengatasi tantangan dalam FL yang secara umum melakukan pembentukan aturan fuzzy dengan didasarkan pada kombinasi logika (seperti AND/OR) dari level membership function setiap parameter, di mana peningkatan jumlah parameter dan level membership function menyebabkan pertumbuhan jumlah aturan secara eksponensial.Hasil penelitian menunjukkan bahwa model FDT berhasil mengurangi jumlah aturan sebesar 25%, dari 81 aturan pada model FL-Sugeno menjadi 60 aturan pada model FDT dan meningkatkan nilai akurasi prediksi model menjadi sebesar 80% berdasarkan label aktual pada dataset NIDDK yang menjadi sumber data yang digunakan.

1. Penelitian lanjutan dapat menguji model FDT dengan dataset yang lebih besar untuk memastikan generalisasi hasil. 2. Menerapkan mekanisme ambang batas dinamis (threshold) yang dapat beradaptasi dengan kompleksitas data yang berbeda. 3. Menggabungkan FDT dengan algoritma lain seperti neural network atau ensemble learning untuk meningkatkan akurasi prediksi dalam skenario data yang lebih rumit.

  1. Meningkatkan Efisiensi Prediksi Risiko Diabetes Melitus dengan Metode Fuzzy Decision Tree | Kurniawan... doi.org/10.35889/progresif.v21i2.2680Meningkatkan Efisiensi Prediksi Risiko Diabetes Melitus dengan Metode Fuzzy Decision Tree Kurniawan doi 10 35889 progresif v21i2 2680
  2. 0. pdf obj endobj xobject extgstate procset text imageb imagec imagei mediabox contents group tabs ys... ijetae.com/files/Volume11Issue10/IJETAE_1021_15.pdf0 pdf obj endobj xobject extgstate procset text imageb imagec imagei mediabox contents group tabs ys ijetae files Volume11Issue10 IJETAE 1021 15 pdf
  3. Fuzzy Inference System Tsukamoto–Decision Tree C 4.5 in Predicting the Amount of Roof Tile Production... doi.org/10.31764/jtam.v7i2.13034Fuzzy Inference System TsukamotoAeDecision Tree C 4 5 in Predicting the Amount of Roof Tile Production doi 10 31764 jtam v7i2 13034
Read online
File size623.23 KB
Pages9
DMCAReport

Related /

ads-block-test