Tesis

Tesis

• By Ramdhani; Lis Saumi;
• Tesis
• 144

Penyakit hepatitis merupakan masalah kesehatan masyarakat di dunia termasuk di Indonesia, yang terdiri dari Hepatitis A, B, C, D dan E. Hepatitis merupakan penyakit kronis yang menahun, dimana pada saat orang tersebut telah terinfeksi, kondisi masih sehat dan belum menunjukan gejala dan tanda yang khas tetapi penularan terus berjalan . Sehingga dari proses tersebut masih banyak orang yang belum menyadari adanya gejala hepatitis. Sudah banyak peneliti yang melakukan penelitian untuk memprediksi penyakit hepatitis, salah satunya menerapkan metode C4.5. Pada penelitian ini dilakukan optimasi algoritma C4.5 dengan menggunakan Particle Swarm Optimization untuk meningkatkan akurasi prediksi. Setelah dilakukan pengujian dengan dua model yaitu Algoritma C4.5 dan Optimasi C4.5  menggunakan Particle Swarm Optimization maka hasil yang didapat adalah algoritma sehingga didapat pengujian dengan menggunakan C4.5 dimana didapat nilai accuracy adalah 79,33 % dan nilai AUC   adalah 0,655, sedangkan  pengujian dengan menggunakan Optimasi C4.5 dengan Particle Swarm Optimization didapatkan nilai accuracy 85,00% dan nilai AUC adalah 0,718 dengan tingkat diagnosa  fair  classification. Sehingga  kedua  metode tersebut memiliki perbedaan tingkat akurasi yaitu sebesar 5,67% dan perbedaan nilai AUC sebesar 0,063.

 

Kata kunci: Hepatitis, Algoritma C4.5, Seleksi Atribut, Particle Swarm Optimization

• Katakunci
• URL http://
• Penerbit ,

REFERENSI

Bai, Q. (2010). Anaysis of Particle Swarm Optimization Algorithm. Computer and Information Science-CCSE, 180-184.

Bramer, M. (2007). Principles od Data Mining. London: Spinger.

Cho, Y. J., Lee, H., & Jun, C. H. (2011). Optimization of Decision Tree for Classification Using a Particle Swarm. IEMS, 272-278.

Dawson, C. W. (2009). Projects in Computing and Information Systems a student’s guide. Harlow, UK: Addison-Wesley.

Dugdale, D. C. (2013, Februari 2). Prothombin Time. Dipetik Maret 17, 2015, dari Medline Plus: http://www.nlm.nih.gov/medlineplus/ency/article/003652

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

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

Han, J., & Kamber, M. (2006). Data Mining Concepts and Techniques. San Fransisco: Morgan Kauffman.

Han, J., & Kamber, M. (2007). Data Mining Concepts and Techniques Second Edition. San Francisco: Morgan Kauffman.

Kementerian Kesehatan RI. (2014). Situasi dan Analisis Hepatitis. Jakarta: Pusat Data dan Informasi.

Kothari, C. R. (2004). Research Methology Methods and Techniques. India: New Age International Limited.

Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: ANDI.

Larose, D. T. (2005). Discovering Knowledge in Data An Introduction to Data Mining. New Jersey: John Wiley & Sons, Inc.

Larose, D. T. (2007). Data Mining Methods and Models. New Jersey: John Wiley & Sons, Inc.

Liao, T. W., & Triantaphyllou, E. (2007). Recent Advances in Data Mining of Enterprise Data Algorithms and Applications. USA: World Scientific Publishing Co, Pte.Ltd.

Maimon, O., & Rokach, L. (2010). Data Mining and Knowledge Discovery Handbook. New York: Springer .

Prasetyo, E. (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: Andi Offset.

Rouhani, M., & Haghighi, M. M. (2009). The Diagnosis of Hepatitis Disease by Support Vector Machines and Artificial Neural Networks. IEEE-IACSIT, 456-458.

Sathyadevi, G. (2011). Application of CART Algorithm In Hepatitis Disease Diagnosis. IEEE-ICRTIT, 1283-1287.

Setiyorini, T. (2014). Penerapan Metode Bagging Untuk Mengurangi Data Noise Pada Neural Netwok Estimasi Kuat Tekan Beton. Jakarta.

Shariati, S., & Haghighi, M. M. (2010). Comparison of anfis neural network with several other anns and support vector machine for diagnosing hepatitis and thyroid. IEEE, 596-599.

Sugiyono. (2009). Metode Penelitian Kuantitatif Kualitatif dan R&D. Bandung: Alfabeta.

Tan, F., Fu, X., Zhang, Y., & Bourgeois, A. G. (2007). A Genetic Algorithm-Based Method for Feature Subset Selection. Soft Computing, 111-120.

Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher.

Wu, X., & Kumar, V. (2009). The Top Ten Algorithms in Data Mining. London: Taylor & Francis Group, LLC.

Wulandari, N. (2014). Seleksi Variabel Particle Swarm Optimization Untuk Prediksi Produksi Kelapa Sawit Dengan Menggunakan Artificial Neural Network. Jakarta.

Xu, & Donald. (2009). Clustering. Canada: A JOHN WILEY & SONS, INC.