PENERAPAN ALGORITMA C4.5 DENGAN SELEKSI ATRIBUT BERBASIS PARTICLE SWARM OPTIMIZATION DALAM MENDIAGNOSA PENYAKIT HATI

PENERAPAN ALGORITMA C4.5 DENGAN SELEKSI ATRIBUT BERBASIS PARTICLE SWARM OPTIMIZATION DALAM MENDIAGNOSA PENYAKIT HATI

• By Adiwiharja, Cep;
• Disertasi
• 319

Hati merupakan organ yang sangat vital yang berfungsi untuk mengatur metabolisme pada tubuh. Apabila terjadi kerusakan pada hati akan berdampak fatal dan dapat menyebabkan kematian, namun hal ini dapat dicegah apabila terditeksi dari gejala-gejala yang terjadi maupun tes darah yang dapat mengetahui usur-unsur yang berhubungan dengan gejala penyakit hati/liver. Dalam penelitian ini untuk mendiagnosa dan memprediksikannya digunakan Algoritma C4.5. C4.5 merupakan pengklasifikasian yang paling sederhana, mudah diimplementasikan. Namun, Algoritma C4.5 masih memiliki kelemahan dalam menangani data dalam dimensi tinggi dan juga tingkat akurasinya masih berada dibawah algoritma support vector machine, sehingga algoritma C4.5 ini dikombinasikan dengan particle swarm optimization untuk meningkatkan akurasinya.  Hasil dari penelitian ini setelah dilakukan pengujian nilai akurasi yang didapat pada Algoritma C4.5 dengan seleksi atribut berbasis particle swarm optimization sebesar 78.61%, nilai AUC sebesar 0.768 dengan tingkat diagnosa Fair Classification. Hal ini menunjukan hasil penelitian dengan menggunakan dua algoritma optimasi PSO dengan seleksi atribut lebih memiliki akurasi yang lebih tinggi, namun tidak dapat digunakan dalam dunia medis karena tingkat akurasinya dibawah 0.90.

• Katakunci
• URL http://
• Penerbit ,

REFERENSI

Abraham, A., Grosan, C., & Ramos, V. (2006). Swarm Intelligence in Data Mining (p. 275). Verlag Berlin Heidelberg: Springer.

Bastiansyah, E. (2008). Panduan Lengkap: Membaca Hasil Tes Kesehatan. Bogor: Penebar Plus. Retrieved from http://books.google.co.id/books?id=FL2WxyInzw4C&pg=PP1&lpg=PP1&dq=Panduan+Lengkap+Membaca+Hasil+Tes+Kesehatan+++lebih+dari+20+pemeriksaan+khusus+&+Informasi+lengkap+pemeriksaan+rutin&source=bl&ots=BRPxA7QhbD&sig=3o6sZiMa4Id4rPD3CIdsIEUykq4&hl=id&sa=X&ei=itoVU4C9AoiHrgeuqYHYDw&redir_esc=y#v=onepage&q=Panduan Lengkap Membaca Hasil Tes Kesehatan + lebih dari 20 pemeriksaan khusus & Informasi lengkap pemeriksaan rutin&f=false

Bellazzi, R., & Zupan, B. (2008). Predictive data mining in clinical medicine: current issues and guidelines. International Journal of Medical Informatics, 77(2), 81–97. doi:10.1016/j.ijmedinf.2006.11.006

Berndtsson, Hansson, Olsson, & Lundell. (2008). Thesis Projects.

Cahyono, J. B. S. B. (2007, November). Manajemen Perioperatif pada Pasien dengan Penyakit Hati. Majalah Kedokteran Indonesia, 57, 397–403.

Dauly, D. G., Supriatmo, & Sinuhaji, A. B. (2007). Hepatitis Akibat Penyakit Sistemik. Sari Pediatri, 8(4), 294–298.

Dawson, C. W. (2009). Projects in Computing and Information Systems (Second Edi., p. 297). London: Addison-Wesley Publishers.

Dimitoglou, G., Adams, J. A., & Jim, C. M. (2012). Comparison of the C4 . 5 and a Naive Bayes Classifier for the Prediction of Lung Cancer Survivability. Journal of Computing, 4(8), 9. Retrieved from http://arxiv.org/abs/1206.1121

Dooley, J. S., Lok, A. S. ., Burroughs, A. K., & Jenny, H. E. (2011). SHERLOCK’S DISEASES OF THE LIVER AND BILIARY SYSTEM (12th Editi., p. 788). United States of America: Wiley-Blackwell.

Gorunescu, F. (2011). Data Mining (Vol. 12, p. 370). Verlag Berlin Heidelberg: Springer. doi:10.1007/978-3-642-19721-5

Hannan, S. A., Manza, R. R., & Ramteke, R. J. (2010). Generalized Regression Neural Network and Radial Basis Function for Heart Disease Diagnosis, 7(13).

Kothari, C. R. (2004). Research Methodology: Methods and Techniques (Second Rev., p. 418). New Delhi: New AgeInternational Publishers.

Larose, D. T. (2005). DISCOVERING KNOWLEDGE IN DATA. New Jersey: Wiley-Interscience.

Larose, D. T. (2006). DATA MINING METHODS AND MODELS (p. 340). New Jersey: Wiley-Interscience.

Lin, S.-W., Ying, K.-C., Chen, S.-C., & Lee, Z.-J. (2008). Particle swarm optimization for parameter determination and feature selection of support vector machines. Expert Systems with Applications, 35(4), 1817–1824. doi:10.1016/j.eswa.2007.08.088

Liu, Y., Qin, Z., Shi, Z., & Chen, J. (2004). Rule Discovery with Particle Swarm Optimization, 291–296.

Liu, Y., Wang, G., Chen, H., Dong, H., Zhu, X., & Wang, S. (2011). An Improved Particle Swarm Optimization for Feature Selection, 8.

Maimon, O., & Rokach, L. (2010). Data Mining and Knowledge Discovery Handbook. (O. Maimon & L. Rokach, Eds.) (Second Edi.). London: Springer. doi:10.1007/978-0-387-09823-4

Neshat, M., Sargolzaei, M., Toosi, A. N., & Masoumi, A. (2012). Hepatitis disease diagnosis using hybrid case based reasoning and particle swarm optimization. ISRN Artificial Intelligence, 2012, 6. doi:10.5402/2012/609718

PHARMACEUTICAL CARE UNTUK PENYAKIT HATI. (2007). Jakarta.

Polancic. (2007). How many How much Who Where Start empirical Research question examples : Independent Dependent End empirical research This poster is licensed as Creative Commons Attribution-Noncommercial-No Derivative Works 2 . 5 Slovenia License Authors : Gregor Polanči.

PROFIL KESEHATAN INDONESIA 2009. (2010) (p. 327). Jakarta: Kementerian Kesehatan Republik Indonesia.

Ramana, B. V., Surendra, P. M., Babu, P., & Venkateswarlu, P. N. B. (2011). A Critical Study of Selected Classification Algorithms for Liver Disease Diagnosis, 3(2), 101–114. doi:10.5121/ijdms.2011.3207

Ramana, B. V., Surendra, P. M., Babu, P., & Venkateswarlu, P. N. B. (2012). A Critical Comparative Study of Liver Patients from USA and INDIA : An Exploratory Analysis, 9(3), 506–516.