Path: Top > S1-Final_Project > Fakultas_Teknik_dan_Ilmu_Komputer > Teknik_Informatika > 2014

Perbandingan Metode Naïve Bayes dan Backpropagation Neural Network Dalam Mendiagnosa Penyakit Sinusitis

2014
Undergraduate Theses from JBPTUNIKOMPP / 2014-10-23 15:26:34
By : Dwikeu Novi Asrika NIM.10110376, Perpustakaan UNIKOM (dwikeu.naa@gmail.com)
Created : 2014-10-23, with 11 files

Keyword : Diagnosa, Sinusitis, Backpropagation Neural Network, Naïve Bayes, akurasi data
Url : http://alumni.unikom.ac.id

Dalam mendiagnosa penyakit keakurasian data sangatlah penting karena untuk menghasilkan suatu solusi dibutuhkan keakurasian yang baik. Metode yang digunakan untuk diagnosa penyakit pun dijadikan suatu pertimbangan. Metode yang akan digunakan adalah metode Naïve Bayes dan metode Backpropagation Neural Network, metode tersebut sama-sama memiliki keakurasian data yang baik. Pada penelitian sebelumnya telah dijelaskan bahwa dalam metode Naïve Bayes dapat mencapai 94,4% dengan masukkan 22 gejala dan pada metode Backpropagation Neural Network mencapai 91,66% dengan 12 gejala masukkan. Dalam kedua penelitian tersebut keakurasian data dengan metode Naïve Bayes lebih unggul daripada metode Backpropagation, namun dengan jumlah masukkan gejala berbeda. Tetapi kita tidak mengetahui apakah hasilnya akan sama jika gejala yang dijadikan masukkan berjumlah sama yaitu 17 gejala, apakah metode Naïve Bayes masih lebih unggul atau metode Backpropagation yang menjadi lebih unggul. Berdasarkan uraian diatas yang telah disampaikan, maka akan dilakukan analisis perbandingan metode Naïve Bayes dan Backpropagation Neural Nework untuk menentukan metode yang paling baik dalam segi akurasi data pada sistem pendiagnosa penyakit sinusitis dengan jumlah masukkan gejala yang sama dan menghasilkan keluaran jenis sinusitis akut, subakut atau kronis. Setelah dilakukan pengujian sistem dengan 60 data pasien yang tersedia dan jumlah masukkan (input) gejala yang sama yaitu 17 gejala, didapat hasil akurasi yang paling baik yaitu dengan menggunakan metode Naïve Bayes yang tingkat keberhasilannya mencapai 93.33%. Sedangkan keberhasilan prediksi untuk metode Backpropagation Neural Network hanya mencapai 76.67%. Hal ini karena metode Naïve Bayes tidak dipengaruhi oleh nilai acak(random), sedangkan metode Backpropagation Neural Network dipengaruhi oleh nilai inisialisai awal yang bersifat acak(random) yang menyebabkan nilai yang dihasilkan berubah-ubah.

Description Alternative :

In diagnosing the disease is very important because the accuracy of the data to generate a good solution accuracy is required. The method used for the diagnosis of the disease would be used as a consideration. The method used is Naive Bayes method and Backpropagation Neural Network methods, these methods have the same accuracy of the data is good. In previous research has explained that the Naïve Bayes method can achieve 94.4% with 22 symptoms and enter the Backpropagation Neural Network method reached 91.66% with 12 symptoms entered. In both these studies the accuracy of the data with the Naïve Bayes method is superior to backpropagation method, but with a number of different symptoms enter. But we do not know whether the results would be the same if the symptoms are the same numbering used enter the 17 symptoms, whether Naïve Bayes method is superior or the backpropagation method to be superior. Based on the above description has been submitted, it will be the analysis and comparison of methods of Naïve Bayes Backpropagation Neural Nework to determine the best method in terms of accuracy of the data on the diagnostic system sinusitis enter the number of the same symptoms and produces output type of acute sinusitis, subacute or chronic. After testing the system with 60 patients the data available and the number of insert (input) the same symptoms 17 symptoms, obtained the best accuracy results by using the Naïve Bayes method that the success rate reaches 93.33%. While the success of the predictions for Backpropagation Neural Network method only reaches 76.67%. This is because the Naïve Bayes method is not affected by a random value (random), while the Backpropagation Neural Network method is affected by the initial value of the random initialization (random) which causes the value of the resulting changes.

Give Comment ?#(0) | Bookmark

PropertyValue
Publisher IDJBPTUNIKOMPP
OrganizationP
Contact Namedyah@unikom.ac.id
AddressJl. Dipati Ukur No.116 Lt.7
CityBandung
RegionWest Java
CountryIndonesia
Phone022-2533825 ext.112
Fax022-2533754
Administrator E-mailperpus@unikom.ac.id
CKO E-mailperpus@unikom.ac.id