Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Energy : Jurnal Ilmiah Ilmu-Ilmu Teknik
Indri Ramayanti
Unknown Affiliation
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Algoritma K-Nearest Neighbor Dan Logistic Regression Dalam Klasifikasi Penyakit Kanker Serviks Nur Devita Azzahra; Ambarwati Ambarwati; Anita Desiani; Sri Indra Maiyanti; Indri Ramayanti
Energy - Jurnal Ilmiah Ilmu-Ilmu Teknik Vol 14 No 1 (2024): Jurnal Energy Vol. 14 No. 1 Mei 2024
Publisher : Fakultas Teknik

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51747/energy.v14i1.1843

Abstract

Kanker serviks adalah masalah serius dalam kesehatan wanita secara global, dengan tingkat insiden dan kematian yang tinggi. Deteksi dini sangat penting karena perkembangannya yang lambat dan seringkali tanpa gejala pada tahap awal. Salah satu metode yang digunakan untuk mendeteksi kanker serviks adalah klasifikasi melalui pendekatan data mining. Penelitian ini bertujuan untuk menerapkan algoritma K-Nearest Neighbor (K-NN) dan Regresi Logistik dalam klasifikasi deteksi dini kanker serviks, dengan menggunakan teknik pengujian percentage spilt dan k-fold cross validation. Tujuannya adalah untuk membandingkan dan menentukan metode klasifikasi kanker serviks yang paling tepat. Evaluasi dilakukan dengan menggunakan parameter presisi, recall, dan akurasi. Hasil penelitian menunjukkan bahwa hasil pengujian menggunakan validasi silang k-fold mampu bekerja lebih baik daripada persentase spilt. Berdasarkan kinerja algoritma, Regresi Logistik dalam penggunaannya dapat bekerja dengan baik dibandingkan dengan K-NN, dengan nilai presisi, recall dan akurasi masing-masing sebesar 83%, 82,5% dan 96%. Dengan demikian, dapat disimpulkan bahwa Regresi Logistik dengan teknik k-fold cross validation testing lebih efektif dalam mengklasifikasikan kanker serviks.
Co-Authors Ambarwati Ambarwati Anita Desiani Nur Devita Azzahra Sri Indra Maiyanti