Desain Decision Tree Untuk Deteksi Dini Depresi Pada Anak Berbasis Supervised Learning Adaboost
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 penel...
Saved in:
| Summary: | 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. |
|---|