Desain Decision Tree Untuk Deteksi Dini Depresi Pada Anak Berbasis Supervised Learning Adaboost Repository

Desain Decision Tree Untuk Deteksi Dini Depresi Pada Anak Berbasis Supervised Learning Adaboost

Diana Permata Sari (2020) Desain Decision Tree Untuk Deteksi Dini Depresi Pada Anak Berbasis Supervised Learning Adaboost. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text 1. HALAMAN JUDUL .pdf Download (208kB)
	Text 2. ABSTRAK.pdf Download (162kB)
	Text 3. DAFTAR ISI.pdf Download (637kB)
	Text 4. BAB IPENDAHULUAN.pdf Download (275kB)
	Text 5. BAB IITINJAUAN PUSTAKA.pdf Restricted to Registered users only until 6 January 2023. Download (563kB) \| Request a copy
	Text 6. BAB IIIMETODE PENELITIAN.pdf Restricted to Registered users only until 6 January 2023. Download (793kB) \| Request a copy
	Text 7. BAB IVHASIL DAN PEMBAHASAN.pdf Restricted to Registered users only until 6 January 2023. Download (1MB) \| Request a copy
	Text 8. BAB VKESIMPULAN DAN SARAN.pdf Restricted to Registered users only until 6 January 2023. Download (132kB) \| Request a copy
	Text 9. DAFTAR PUSTAKA.pdf Download (251kB)
	Text 10. LAMPIRAN.pdf Restricted to Registered users only until 6 January 2023. Download (800kB) \| Request a copy

Official URL: http://lib.unair.ac.id

Abstract

Depresi merupakan salah satu penyakit mental yang sering dialami. Pada tingkat global, penderita depresi telah mencapai 4.4% dari populasi dunia atau sebanyak 322 juta jiwa. Depresi tidak mengenal jenis kelamin, umur dan status sosial. Semua orang memiliki potensi untuk menderita depresi. Pada penelitian ini dilakukan identifikasi dini depresi pada anak menggunakan supervised learning, yaitu algoritma AdaBoost untuk meningkatkan akurasi klasifikasi dan decision tree sebagai algoritma klasifikasi. Atribut yang digunakan merupakan 27 pertanyaan yang terdapat pada instrumen CDI. Data yang digunakan sebanyak 157 dengan 80 data yang terindikasi depresi dan 77 data yang tidak terindikasi depresi (normal). Sebelum menggunakan algoritma AdaBoost akurasi, sensitivitas dan spesifitas masing- masing adalah 94.2675%, 96.1039%, dan 92.5%. Setelah menggunakan algoritma AdaBoost memiliki akurasi, sensitivitas dan spesivitas tertinggi didapatkan pada iterasi ke- 6 dengan masing- masing nilai adalah 100%, 100% dan 100%. Hasil pohon keputusan AdaBoost tersebut diimplementasikan pada aplikasi android. Hasil pengujian aplikasi berdasarkan uji usability dan user satisfaction pengguna merasa aplikasi sangat baik.

Item Type:

Thesis (Skripsi)

Additional Information:

KKC KK ST T 20/20 Sar d

Uncontrolled Keywords:

AdaBoost, CDI, Decision Tree, Depression in Children, Early identification.

Subjects:

T Technology > TT Handicrafts Arts and crafts > TT174-176 Articles for children

Divisions:

08. Fakultas Sains dan Teknologi > Tekno Biomedik

Creators:

Creators	NIM
Diana Permata Sari	NIM 081611733002

Contributors:

Contribution	Name	NIDN / NIDK
Thesis advisor	Endah Purwanti	NIDN0031107705

Depositing User:

Unnamed user with email indah.fatma@staf.unair.ac.id

Date Deposited:

06 Jan 2021 05:31

Last Modified:

12 Jan 2021 05:29

URI:

http://repository.unair.ac.id/id/eprint/102612

Sosial Share:

Actions (login required)

View Item