Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal Of Artificial Intelligence And Software Engineering
Diah Ayu Kinanti
Universitas Islam Negeri Sultan Syarif Kasim Riau
Computer Science & IT

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

Found 1 Documents
Search

 1 
Implementation of SMOTE and Information Gain Feature Selection in Learning Vector Quantization for Asthma Disease Classification Diah Ayu Kinanti; Fitri Insani; Novi Yanti; Muhammad Affandes
Journal of Artificial Intelligence and Software Engineering Vol 6, No 2 (2026): Juni (OnProgress)
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v6i2.9354

Abstract

Asma adalah penyakit pernapasan akibat peradangan saluran udara di paru-paru yang menyebabkan penyempitan dan kesulitan bernapas. Prevalensinya terus meningkat secara global, sehingga diperlukan metode deteksi dini yang akurat. Masalah yang ditemukan dalam proses pengklasifikasian penyakit asma adalah distribusi kelas yang tidak seimbang pada dataset. Penelitian ini menerapkan algoritma Learning Vector Quantization (LVQ) yang dioptimalkan dengan seleksi fitur Information Gain dan teknik penyeimbangan data SMOTE untuk klasifikasi penyakit asma. Dataset penelitian mencakup 2.392 data pasien dengan 28 fitur dan 1 kelas target yang diperoleh dari platform Kaggle. Pengujian dilakukan pada lima skenario dengan tiga fungsi jarak Euclidean , Chebyshev, Manhattan, learning rate 0,001–0,005, dan rasio pembagian data 90:10, 80:20, serta 70:30. Hasil terbaik diperoleh pada skenario SMOTE, Information Gain, dan LVQ menggunakan fungsi jarak Euclidean  dengan learning rate 0.004 dan rasio 90:10, menghasilkan akurasi 77.97%, precision  73.61%, recall  87.22% dan F1-score 79.84%. Penerapan SMOTE menjadi komponen penting karena tanpa SMOTE model gagal mengenali kelas asma, terbukti pada percobaan tanpa menggunakan SMOTE menghasilkan precision , recall , dan F1-score bernilai 0% meskipun akurasi mencapai 94–95%.
Co-Authors Fitri Insani Muhammad Affandes Novi Yanti