Data Diabetes
Tugas Kecerdasan Komputasional dan Pembelajaran Mesin Kelas B
Dosen Pengampu: Wahyono, P.hd
.
KESIMPULAN
Dari hasil prediksi, akurasi yang didapatkan adalah 75.32%.
Setelah menerapkan algoritma genetika pada model ini, akurasi
yang didapat naik menjadi 84.4%. Ada penambahan 9.08% pada
akurasi setelah dioptimasi menggunakan algoritma genetika. Hal
ini menunjukkan bahwa algoritma genetika berhasil mengoptimasi
klasifikasi diabetes.
REFERENSI
[1] C. Y. J. Peng, K. L. Lee, and G. M. Ingersoll, “An
introduction to logistic regression analysis and
reporting,” J. Educ. Res., vol. 96, no. 1, pp. 3–14,
2002, doi: 10.1080/00220670209598786.
[2] Pyrih, Y., Kaidan, M., Tchaikovskyi, I., &
Pleskanka, M. (2019, July). Research of Genetic
Gambar 3. Skema program Algorithms for Increasing the Efficiency of Data
Routing. In 2019 3rd International Conference on
Advanced Information and Communications
Klasifikasi dilakukan dengan menggunakan metode Technologies (AICT) (pp. 157-160). IEEE.
logistic regression dengan membagi dataset menjadi 90%
data training dan 10% data testing. Akurasi yang didapat
adalah 75.32%. Langkah selanjutnya adalah mengoptimasi
klasifikasi tersebut menggunakan algoritma genetika.
Langkah pertama yang dilakukan adalah menginisialisasi
populasi nya. Pada langkah ini, dibuat beberapa parent
chromosome. Langkah berikutnya adalah menghitung
fitness score/value dari chromose – chromose yang sudah
dibuat pada langkah pertama. Fitness value yang dihasilkan
berdasarkan akurasi dari training oleh logistic regression.
Kemudian fitness value diurutkan dari dari terbesar ke
terkecil untuk mengambil dua chromosome dengan nilai
fitness value terbaik
Langkah selanjutnya adalah melakukan crossover.
Crossover dilakukan untuk menghasilkan individu-individu
baru dari hasil persilangan parent. Individu-individu yang
dihasilkan dari crossover kemudian dimutasikan. Mutasi
dilakukan untuk menghasilkan individu unik yang berbeda
dari parent-parent sebelumnya Setelah dilakukan mutasi,
generasi yang dihasilkan akan dibandingkan dengan parent-
parent sebelumnya. Jika generasi tersebut memiliki fitness
value lebih baik maka generasi tersebut akan menggantikan
parent dengan fitness value yang buruk. Proses dari