p-Index From 2021 - 2026
7.612
P-Index
This Author published in this journals
All Journal Jurnal Informatika JURNAL SISTEM INFORMASI BISNIS TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Sarjana Teknik Informatika JUITA : Jurnal Informatika Jurnal Aplikasi Bisnis dan Manajemen (JABM) E-Journal Jurnal Teknologi dan Sistem Komputer JIEET (Journal of Information Engineering and Educational Technology) Indonesian Journal of Information System BAREKENG: Jurnal Ilmu Matematika dan Terapan JITK (Jurnal Ilmu Pengetahuan dan Komputer) JMM (Jurnal Masyarakat Mandiri) SELAPARANG: Jurnal Pengabdian Masyarakat Berkemajuan JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI ILKOM Jurnal Ilmiah MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Jurdimas (Jurnal Pengabdian Kepada Masyarakat) Royal KOMPUTA : Jurnal Ilmiah Komputer dan Informatika GERVASI: Jurnal Pengabdian kepada Masyarakat INSIST (International Series on Interdisciplinary Research) Jurnal Informatika Global Jurnal Teknologi Terpadu bit-Tech Jurnal Abdimas Mandiri Indonesian Journal of Electrical Engineering and Computer Science Reswara: Jurnal Pengabdian Kepada Masyarakat Teknosains : Jurnal Sains,Teknologi dan Informatika Journal of Computer Networks, Architecture and High Performance Computing Idealis : Indonesia Journal Information System Lumbung Inovasi: Jurnal Pengabdian Kepada Masyarakat Indonesian Community Journal Jurnal Teknologi Sistem Informasi Jurnal Ilmiah Teknik Informatika dan Komunikasi Jurnal INFOTEL SISFOTENIKA Jurnal Teknik Informatika dan Teknologi Informasi
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : bit-Tech

Klasifikasi Penyakit TBC Menggunakan Metode UMAP dan K-NN Nazori Suhandi; Rendra Gustriansyah; Destria, Abel
bit-Tech Vol. 7 No. 3 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v7i3.2227

Abstract

Tuberkulosis (TBC) adalah penyakit infeksi yang disebabkan oleh bakteri Mycobacterium tuberculosis, yang dapat menyebar dengan cepat melalui udara. Deteksi dini yang akurat sangat penting dalam penanganan penyakit ini untuk mencegah penyebaran lebih lanjut serta meningkatkan efektivitas pengobatan. Diagnosis yang tidak tepat dapat menyebabkan keterlambatan dalam pengobatan, sehingga meningkatkan risiko komplikasi serius bagi pasien. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi TBC menggunakan metode Uniform Manifold Approximation and Projection (UMAP) dan K-Nearest Neighbors (K-NN) di Puskesmas Prabumulih Timur. Dataset yang digunakan terdiri dari 278 data pasien dengan berbagai atribut klinis terkait gejala TBC. Proses analisis diawali dengan tahap pra-pemrosesan data, termasuk penghapusan data duplikat, encoding data kategorikal, serta penanganan nilai yang hilang. Untuk meningkatkan akurasi klasifikasi, metode Elbow diterapkan guna menentukan nilai K optimal, dengan hasil terbaik pada K=3. Data kemudian dibagi menjadi 80% data pelatihan dan 20% data uji guna menghindari overfitting dan meningkatkan reliabilitas model. Pengujian dilakukan dengan membandingkan dua skenario, yaitu K-NN tanpa UMAP dan K-NN dengan UMAP. Hasil evaluasi menggunakan Confusion Matrix menunjukkan bahwa penerapan UMAP meningkatkan accuracy dari 93,48% menjadi 100%, dengan precision dan recall juga mencapai nilai maksimal. Penelitian ini berkontribusi dalam pengembangan sistem klasifikasi berbasis machine learning yang lebih akurat dan efisien untuk membantu tenaga medis dalam mendiagnosis TBC secara cepat, tepat, dan optimal dalam sistem layanan kesehatan.