AI

Pembangunan Model Prediksi Depresi Pelajar Berdasarkan Faktor Lingkungan dan Akademis
Pembangunan Model Prediksi Depresi Pelajar Berdasarkan Faktor Lingkungan dan Akademis

Dalam penelitian ini, kami berhasil membangun model prediksi depresi menggunakan algoritma Logistic Regression yang dioptimalkan dengan metode GridSearchCV. Pendekatan ini memungkinkan kami untuk menemukan kombinasi parameter terbaik, seperti penalti, regularisasi, dan jumlah iterasi maksimum, yang memberikan performa model paling optimal. Berdasarkan evaluasi, model ini mencapai akurasi sebesar 84,206% pada data uji, dengan nilai precision, recall, dan F1-score yang seimbang, terutama untuk kelas Depressed yang menjadi fokus utama. Hal ini menunjukkan bahwa model dapat mengenali individu yang berisiko depresi dengan cukup baik, sekaligus meminimalkan kesalahan prediksi. Adapun proses normalisasi data menggunakan StandardScaler juga berperan penting dalam meningkatkan performa Logistic Regression, terutama karena fitur-fitur yang digunakan memiliki skala yang berbeda. Dengan optimasi melalui GridSearchCV, kami mampu meningkatkan akurasi model dibandingkan baseline Logistic Regression tanpa tuning parameter. Saran yang diajukan oleh kami antara lain adalah integrasi fitur tambahan seperti faktor lingkungan atau data psikologis, untuk meningkatkan akurasi prediksi. Lalu eksperimen dengan algoritma lain yang lebih kompleks untuk membandingkan performa. Serta validasi yang lebih luas guna memastikan model dapat diaplikasikan secara general.

Jan 3, 2025

Prediksi Pengaruh Merokok Secara Aktif dan Pasif Terhadap Risiko Terjangkit Penyakit Paru-Paru Menggunakan RapidMiner dan Algoritma Naïve Bayes
Prediksi Pengaruh Merokok Secara Aktif dan Pasif Terhadap Risiko Terjangkit Penyakit Paru-Paru Menggunakan RapidMiner dan Algoritma Naïve Bayes

Analisis klasifikasi menggunakan model Naïve Bayes menunjukkan bahwa perokok pasif, yang tidak merokok secara aktif, memiliki persentase dan jumlah kasus potensial penyakit paru-paru yang jauh lebih tinggi dibandingkan dengan perokok aktif. Hal ini bertentangan dengan persepsi umum bahwa perokok aktif lebih berisiko terkena penyakit paru-paru. Temuan ini menyoroti bahaya tersembunyi dari paparan asap rokok pasif. Perokok pasif menghirup sejumlah besar bahan kimia berbahaya dari rokok, meskipun mereka tidak merokok secara langsung. Bahan kimia ini dapat menyebabkan berbagai masalah kesehatan, termasuk penyakit paru-paru. Ironisnya, perokok pasif yang tidak merokok sendiri mungkin menghadapi risiko penyakit paru-paru yang lebih tinggi karena tindakan orang lain. Hal ini menunjukkan pentingnya langkah-langkah kesehatan masyarakat untuk melindungi individu dari paparan asap rokok pasif dan mempromosikan lingkungan bebas asap rokok. Analisis ini menekankan perlunya kampanye kesadaran publik dan peraturan yang lebih ketat untuk membatasi paparan asap rokok pasif. Melindungi individu dari paparan asap rokok pasif dapat secara signifikan mengurangi beban penyakit paru-paru dan meningkatkan kesehatan masyarakat secara keseluruhan.

Sep 11, 2024