Klasifikasi Penderita Anemia Menggunakan Metode Regresi Logistik
Abstract
Penelitian ini membahas tentang klasifikasi penderita anemia pada remaja putri dengan berbagai faktor yang mempengaruhinya. Penelitian ini bertujuan untuk mengetahui model klasifikasi penyakit anemia. Penelitian ini merupakan penelitian terapan dimana menerapkan teknik data mining yaitu metode regresi logistic untuk mengklasifikasi faktor-faktor penyebab anemia pada remaja wanita. Atribut yang digunakan yaitu faktor-faktor yang mempengaruhi anemia diantaranya ferritin serum, STfR, dan riwayat penyakit kronis. Hasil penelitian menunjukkan bahwa terdapat dua variabel yang berpengaruh secara signifikan dalam mengklasifikasi anemia yaitu ferritin serum, dan STfR dengan tingkat akurasi sebesar 79,23%, presisi sebesar 80,18%, dan recall sebesar 96,39%, yang berarti bahwa model cukup baik dalam mengklasifikasikan remaja putri yang terdiagnosis anemia dan tidak anemia.
References
[2] WHO. (2017). Worldwide Prevalance of Anemia.
[3] Azmi, S.K., (2005). Pengaruh Anemia pada Kanker Terhadap Kualitas Hidup dan Hasil Pengobatan. Universitas Sumatera Utara, Medan.
[4] Monica, M.M., (2014). Hubungan Antara Malaria Klinis dengan Anemia pada Penderita yang Berkunjung di Puskesmas Wori Kabupaten Minahasa Utara. Jurnal Kedokteran Komunitas dan Tropik. Vol 11, No.1.
[5] Aidi, M. N., Ernawati, F., Efriawati, Nurjannah, N. Rachmawati, R. Julianti, E. D., Sundari, D,. Retiaty, F. Fitrianto, A. Nurfadilah, K. Arifin, A. Y. (2022). Spatial distribution and identifying biochemical factors affecting haemoglobin levels among women of reproductive age for each province in Indonesia: A geospatial analysis. Geospatial Health 2022; Vol. 17:1118
[6] Brownlee, J. (2016). Master Machine Learning Algorithms Discover. In How They Work and Implement Them Fron Scratch.
[7] Putry, N. M. (2022). Komparasi Algoritma Knn Dan Naïve Bayes Untuk Klasifikasi Diagnosis Penyakit Diabetes Mellitus. EVOLUSI: Jurnal Sains Dan Manajemen, 10(1). https://doi.org/10.31294/evolusi.v10i1.12514
[8] Alwi, W., Ermawati, & Husain, S. (2018). Analisis Regresi Logistik Biner untuk Memprediksi Kepuasan Pengunjung Pada Rumah Sakit Umum Daerah Majene. Journal MSA, 20-26.
[9] Hosmer, D. ., & Lemeshow, S. (2000). Applied Logistic Regression (Second Edi). Willey-Interscince : Canada.
[10] Harlan, J. (2018). Analisis Regresi Logistik. Gunadharma : Depok.
[11] Novianti, F. A., & Purnami, S. W. (2012). Analisis Diagnosis Pasien Kanker Payudara Menggunakan Regresi Logistik dan Support Vector Machine (SVM) Berdasarkan Hasil Mamografi. Jurnal SAINS Dan Seni ITS, 1(1), D147–D152.
[12] Gujarati, D. N. (2004). Basic Econometric (Fourth Edi). Gary Burke : North America.
[13] Moni, M. P., Ginting, K. B., & Aryanto. (2016). Analisis Regresi Logistik Terhadap Faktor-Faktor Yang Mempengaruhi Kejadian Malaria Pada Balita Di Kecamatan Lamboya Kabupaten Sumba Barat. Jurnal MIPA FST UNDANA, Vol 20, No. 2,3-4.
[14] Zulkifli, M.J.M. (2014). Pendekatan Regresi Logistik Multinomial Pada Klasifikasi Pemilihan Jurusan Siswa SMA 5 Negeri Malang. Jurusan Matematika Universitas Brawijaya: Malang.
[15] Antika, D. (2017). Klasifikasi Menggunakan Metode Regresi Logistik dan Support Vector Machine. Universitas Brawijaya : Malang.
[16] Ndangi, W. R. A, Resmawan., & Djakaria, I. (2019). Perbandingan Analisis Diskriminan dan Regresi Multinomial. Jambura Jounal Of Mathematics, Vol. 1, No. 2, 54-63.
[17] Larner, A. (2021). Contigency, Confusion and the Metrics of Binary classification. Liverpool: Walton Centre for Neurology and Neurosurgery.
Copyright (c) 2024 Jurnal MSA ( Matematika dan Statistika serta Aplikasinya)
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
