Penerapan Metode Support Vector Machine untuk prediksi penyakit jantung

Penerapan Metode Support Vector Machine untuk prediksi penyakit jantung

• By Nurajizah, Siti;
• Tesis
• 123

Penyakit jantung merupakan jenis penyakit yang tidak menular tetapi merupakan salah satu jenis penyakit mematikan di dunia. Penyakit jantung terjadi karena adanya penyempitan atau penyumbatan pembuluh arteri koroner yang disebabkan oleh penumpukan dari zat-zat lemak (kolesterol, trigliserida) yang makin lama makin banyak dan menumpuk di bawah lapisan terdalam dari dinding pembuluh nadi. Beberapa penelitian telah dilakukan untuk mendiagnosa pasien namun belum diketahui metode yang tepat untuk memprediksi penyakit jantung. Dalam penelitian ini akan dilakukan pengujian prediksi penyakit jantung. Data yang digunakan merupakan data sekunder yang diperoleh dari Universitas California, Invene yang merupakan Machine Learning Repository dengan alamat web: http://archive.ics.uci.edu/ml/. Data yang dikumpulkan adalah data yang berasal dari University of Strathclyde, Glasgow, Scotland, United Kingdom. Pengujian prediksi penyakit jantung dalam penelitian ini menggunakan metode Support Vector Machine yang merupakan salah satu metode klasifikasi dalam data mining. Metode ini akan diimplementasikan pada data pasien penyakit jantung. Dari hasil pengujian yang menggunakan confusion matrix dan kurva ROC(Receiver Operating Characteristic) dengan Tools System Rapid Miner, diketahui bahwa hasil nilai akurasi yang diperoleh adalah 81,88% dan nilai AUC sebesar 0,91. Dengan demikian metode Support Vector Machine dapat termasuk kategori klasifikasi sangat baik(excellent classification) karena memiliki nilai AUC antara 0.80-0.90.

• Katakunci Jantung, Data Mining, Support Vector Machine
• URL http://
• Penerbit ,

REFERENSI

Abraham, A., Grosan, C., & Ramos, V. (2006). Swarm Intelligence In Data Mining. Verlag Berlin
Heidelberg: Springer.
American Heart Association. (2012, Juni 04). Dikutip 03 April 2013, dari What Is Cardio Vasculardiseases:http://www.heart.org/HEARTORG/Caregiver/Resources/WhatisCardiova scularDisease/What-is-Cardiovascular-Disease_UCM_301852_Article.jsp Anbarasi, M., Anupriya, E., dan Iyengar, N. (2010). Enhanced Prediction of Heart Disease with Feature Subset Selection using Genetic Algorithm. International Journal of Engineering
Science and Technology Vol. 2(10), 2010, 5370-53,5370-5376. Aydin, I., Karakose, M., dan Akin, E. (2011). A Multi-Objective Artificial Immune Algorithm for Parameter Optimization in Support Vector Machine. Journal Applied Soft Computing, 11, 120-129. Bellazzi, R., dan Zupanb, B. (2008). Predictive Data Mining In Clinical Medicine: Current Issues And And Guidelines. International Journal Of Medical Informatics 7 7 , 81–97. Bellotti, T., dan Crook, J. (2007) Support Vector Mmachines for Credit Scoring and Discovery of Significant Features. Expert System with Application: An International Journal, 36, 3302-3308. Chen, AH., et al. (2011). HDPS: Heart Disease Prediction System. Computing in Cardiology. 557-560. Effendy, E., Subagja, dan Faisa, A. 2008. Prediksi Penyakit Jantung Koroner Berdasarkan Faktor Risiko Menggunakan Jaringan Syaraf Tiruan Backpropagation. Seminar Nasional Aplikasi Teknologi Informasi, Vol 2 No.1. Fei, S. W., Miao, Y. B., & Liu, C. L. (2009). Chinese Grain Production Forecasting Method Based On Particle Swarm Optimization-Based Support Vector Machine. Recent Patents
On Engineering 2009 , 3, 8-12. Feng-Chia, L. (2009). Comparison of the Primitive Classifiers without Features Selection in Credit Scoring. Management and Service Science.. Gorunescu, Florin.(2011). Data Mining: Concepts, Models, and Techniques. Verlag Berlin Heidelberg: Springer
60 Hananta, I. Y., dan Muhammad, H. F. (2011). Dietisien Deteksi Dini dan Pencegahan 7Penyakit
Penyebab Mati Muda. Yogyakarta: Media Pressindo. Han, J.,dan Kamber, M. (2006).Data Mining Concept and Tehniques.San Fransisco: Morgan Kauffman. Haupt, R. L., & Haupt, S. E. (2004). Practical Genetic Algorithms. Untied States Of America: A John Wiley & Sons Inc Publication. Hidayati, N dan Warsito, B. 2010. Prediksi terjangkitnya penyakit jantung dengan metode Learning Vector Quantization. Media Statistika, Vol. 3, No. 1. Huang, K., Yang, H., King, I., dan Lyu, M. (2008). Machine Learning Modeling Data Locally
And Globally. Berlin Heidelberg: Zhejiang University Press, Hangzhou And SpringerVerlag Gmbh. Khan, M. G. (2005). Encyclopedia of Heart Diseases. New York: Academic Press. Kothari, C. R. (2004). Research Methology Methods and Techniques. India:New Age International Limited. Kumar, D. Senthil., Sathyadevi, G., dan Sivanesh, S. (2011). Decision Support System for Medical Diagnosis Using Data Mining. International Journal of Computer Science Issues
Vol.8, Issue 3, No 1, 147-153. Larose, D. T. (2005).Discovering Knowledge in Data. New Jersey:John Willey dan Sons, Inc. Maimon, OdeddanRokach, Lior.(2005). Data Mining and Knowledge Discovey Handbook. New York: Springer. Neshat, Mehdi, Sargolzaei, M., Toosi, A. N., dan Masoumi, A., (2012). Hepatitis Disease
Diagnosis using hybrid case based reasoning and paticle swarm optimization. International Scholarly Research Network: ISRN Artificil Intelligence Volume 2012, Artile ID 609718,6 pages doi: 10.5402/2012/609718. Nugroho, W. (2006). Komunikasi Dalam Keperawatan Gerontik. Jakarta: EGC. Olson, D, dan Shi, Y. (2008). Pengantar Ilmu Penggalian Data Bisnis. Jakarta: Penerbit Salemba Empat. Palaniappan, S., dan Awang, R. (2008). Intelligent Heart Disease Prediction System Using Data Mining Techniques. IJCSNS International Journal of Computer Science and Network
Security, VOL.8 No.8, August 2008 , 343-350.

Rajkumar, A., dan Reena, G. S. (September 2010). Diagnosis Of Heart Disease Using Data Mining Algorithm. Global Journal of Computer Science and Technology, Vol. 10 Issue 10, 38-43. Santoso, B. (2007). Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Sogala, Satchidananda S.(2006). Comparing the Efficacy of the Decision Trees with Logistic
Regression for Credit Risk Analysis. India Subbalakshmi, G., Ramesh, K., dan Chinna Rao, M. (2011). Decision Support in Heart Disease Prediction System using Naive Bayes. Indian Journal of Computer Science and
Engineering (IJCSE), 170-176. Sugiyono, (2009). Metode Penelitian Bisnis. Bandung: Alfabeta Sumathi, dan 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 dan Sons, Ltd. Weiss, S. M., Indurkhya, N., dan Zhang, T. (2010). Fundamentals Of Predictive Text Mining. London: Springer. Witten, I. H., Frank, E., dan Hall, M. A. (2011). Data Mining Practical Machine Learning Tools
And Techniques. Burlington, Usa: Morgan Kaufmann Publishers.
World Health Organization. (2011, Juni). Dikutip 25 April 2012, dari The Top 10 Causes of Death: http://www.who.int/mediacentre/factsheets/fs310/en/ Wu, X., dan Kumar, V. (2009). The Top Ten Algorithms in Data Mining. Boca Raton, London, New York: Taylor & Francis Group, LLC. Xing, Y., Wang, J., Zhao, Z., dan Gao, Y. (2007). Combination Data Mining Methods with New Medical Data to Predicting Outcome of Coronary Heart Disease. 2007 International
Conference on Convergence Information Technology, 868-872.