Algoritma C4.5 Untuk Diagnosa Penyakit Tuberkulosis

Lihat/Buka File Repository

Lihat/Buka File Peer Review

Tanggal

2019-12-01

Abstraksi

Penyakit tuberkulosis merupakan penyakit menular dan mematikan di dunia, bahkan  World Health Organization  (WHO) mencanangkan sebagai  penyakit kedaruratan dunia (global emergency). Banyak gejala  yang bisa terjadi pada  seseorang yang terjangkit tuberkulosis, dan  untuk menganalisa gejala tersebut bukan hal yang mudah, perlu dilakukan  tes dahak  pada penderita.  Selain itu,  dibutuhkan  juga  sebuah  metode  yang dapat  mempermudah  saat melakukan  analisa dan  menggali informasi pasien dari data rekam medik  yang tersedia. Pada penelitian ini, penulis akan menerapkan metode klasifikasi data mining, yaitu Algoritma C4.5, Tujuan dari penelitian ini adalah  untuk mendiagnosa penyakit tuberculosis  dengan menggunakan metode algoritma C4.5. Berdasarkan hasil pengukuran performa dari model tersebut dengan  menggunakan  metode pengujian  Cross Validation, Confusion Matrix  dan Kurva ROC, diketahui bahwa algoritma C4.5 memiliki tingkat akurasi sebesar 84,56% dan nilai area under the curva (AUC) sebesar 0,938. Hal ini menunjukkan bahwa model yang dihasilkan termasuk kategori klasifikasi  sangat baik karena memiliki nilai AUC antara 0.90-1.00

URI
https://ejournal.bsi.ac.id/ejurnal/index.php/khatulistiwa/article/view/6725/3745

Bidang ilmu
Data Mining

Bibliografi

Adhatrao, K., Gaykar, A., Dhawan, A., Jha, R., & Honrao, V. (2013). Predicting Students Performance Using ID3 And C4.5 Classification Algorithms.  International Journal of Data Mining & Knowledge Management Process,  3(5), 39–52. https://doi.org/10.5121/ijdkp.2013.3504 

Amrin, A. (2018). Aplikasi Diagnosa  Penyakit Tuberculosis Menggunakan Algoritma Naive Bayes. Jurikom, 5(5), 498–502. 

Dawson, C. W. (2009). Projects in Computing and Information System A Student’s Guide. England: Addison-Wesley. 

Fine, J. (2012). An Overview Of Statistical Methods in Diagnostic Medicine. Chapel Hill. 

Gorunescu, F. (2011).  Data Mining: Concepts, Models, and Techniques. Verlag Berlin Heidelberg: Springer. 

Kumar, P. ., & Umatejaswi, V. (2017). Diagnosing Diabetes using Data Mining Techniques. International Journal of Scientific  and Research Publications, 7(6), 705–709. 

Liao, T. W. (2007).  Recent Advances in Data Mining of Enterprise Data: Algorithms and Application.  Singapore: World Scientific Publishing. 

Orhan, E., Temurtas, F., & Tanrıkulu, A. Ç. (2010). Tuberculosis Disease Diagnosis Using Artificial Neural Networks.  Springer, 299–302. 

Purushottam, Saxena, K., & Sharma, R. (2016). Efficient Heart Disease Prediction System using Decision Tree.  International Conference on Computing, Communication and Automation (ICCCA2015), 962–969. https://doi.org/10.1016/j.procs.2016.05.288 

Sumathi, S., & Sivanandam, S. N. (2006). Introduction to Data Mining and its Applications. Berlin Heidelberg New York: Springer. 

Vercellis, C. (2009).  Business Intelligent: Data Mining and Optimization for Decision Making. Southern Gate, Chichester, West Sussex: John Willey & Sons, Ltd.

Widoyono. (2011). Penyakit Tropis Epidemiologi, Penularan, Pencegahan dan Pemberantasan. Jakarta: Erlangga.