Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Innovation Multidisipliner Research
Aning Fara Andina
Universitas Darma Persada
Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Industrial & Manufacturing Engineering

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

Found 1 Documents
Search

 1 
Klasifikasi Gangguan Mental Menggunakan Algoritma K-Nearest Neighbors dan Support Vector Machine Berdasarkan Data Rekam Medis Ria Putri Sunaryo; Aning Fara Andina
Indonesian Journal of Innovation Multidisipliner Research Vol. 4 No. 3 (2026): Juli - September
Publisher : Institute of Advanced Knowledge and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijim.v4i3.1374

Abstract

Gangguan mental merupakan penyakit gangguan kesehatan yang disebabkan oleh ketidakmampuan dalam mengendalikan diri, halusinasi, delusi, ilusi, waham dan ketakutan yang berlebihan dalam berperilaku. Jenis-jenis gangguan mental umumnya terdiri dari Paranoid, Undifferentiated, Depresi, dan Shizoaffective. Penelitian bertujuan untuk membantu melakukan klasifikasi jenis gangguan mental menggunakan machine learning. Machine learning merupakan kecerdasan buatan, dimana suatu teknik dapat membuat komputer belajar dari sebuah data untuk membantu mengenali suatu pola klasifikasi. Model algoritma yang digunakan dalam penelitian ini menggunakan algoritma supervised learning yaitu suatu model algoritma dimana data label output sudah ditentukan berdasarkan jenis kategori. Data penelitian diperoleh melalui data rekam medis pasien di Rumah Sakit PQR dengan 94 fitur dan 4 kategori. Hasil akurasi pengujian dengan support vector machine menghasilkan akurasi 88%, sedangkan dengan k-nearest neighbors menghasilkan akurasi 81%. Pemilihan fitur yang signifikan dengan memanfaatkan metode recursive feature elimination dengan jumlah fitur menjadi 43 fitur menghasilkan akurasi lebih tinggi sebesar 90% pada support vector machine dan akurasi 94% pada k-nearest neighbors.  
Co-Authors Ria Putri Sunaryo