Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut membandingkan akurasi algoritma Naive Bayes dan C4.5 dalam memprediksi penyakit jantung dengan menggunakan dataset dari UCI Machine Learning Repository.
2. Hasilnya menunjukkan bahwa algoritma Naive Bayes memiliki nilai akurasi dan AUC yang lebih tinggi dibandingkan algoritma C4.5.
3. Dengan demikian, algoritma Naive Bayes lebih akurat dalam memprediksi peny
1. Tulisan ini membahas tentang sistem pakar untuk mendiagnosa penyakit epilepsi pada anak menggunakan metode Naive Bayes. Sistem ini mampu mendiagnosa penyakit epilepsi dengan tingkat akurasi 85% berdasarkan gejala-gejala yang diinputkan pengguna.
2. Pengetahuan dalam sistem dapat diperbarui oleh administrator. Sistem ini dapat membantu mendiagnosa penyakit epilepsi secara awal berdasarkan gejala-ge
Jurnal biaya pasien rawat inap penyakit jantungAndy Murtanto
Dokumen tersebut membahas tentang klasifikasi biaya pasien rawat inap penyakit jantung menggunakan teknik data mining attribute importance dan algoritma Naive Bayes. Metode ini digunakan untuk mengidentifikasi atribut-atribut penentu biaya pasien rawat inap penyakit jantung berdasarkan data pasien dari rumah sakit tertentu. Hasil analisis menunjukkan atribut pasien, penyakit, dan tipe kelas sebagai tiga atribut penentu biaya terbesar.
Jurnal sistem pakar diagnosa awal kanker serviks dengan metode certainty fact...roniracuda
Sistem pakar diagnosis awal kanker serviks dengan metode certainty factor dikembangkan untuk membantu mendeteksi gejala awal penyakit pada wanita. Sistem ini menggunakan basis pengetahuan yang berisi hubungan antara gejala dan penyakit beserta nilai kepastiannya. Proses diagnosis menggunakan inferensi berbasis aturan untuk menentukan kemungkinan penyakit berdasarkan gejala yang dirasakan pasien.
1. Dokumen ini membahas tentang klasifikasi stadium kanker paru menggunakan model Radial Basis Function Neural Network (RBFNN) dan preprocessing dengan operasi titik.
2. Tujuan penelitian ini adalah mendiskripsikan proses dan hasil klasifikasi stadium kanker paru dengan menggunakan RBFNN dengan dan tanpa operasi titik.
3. Penelitian ini diharapkan dapat mempermudah diagnosis kanker paru sehingga pasien dapat mendapatkan penanganan
1. Tulisan ini membahas tentang sistem pakar untuk mendiagnosa penyakit epilepsi pada anak menggunakan metode Naive Bayes. Sistem ini mampu mendiagnosa penyakit epilepsi dengan tingkat akurasi 85% berdasarkan gejala-gejala yang diinputkan pengguna.
2. Pengetahuan dalam sistem dapat diperbarui oleh administrator. Sistem ini dapat membantu mendiagnosa penyakit epilepsi secara awal berdasarkan gejala-ge
Jurnal biaya pasien rawat inap penyakit jantungAndy Murtanto
Dokumen tersebut membahas tentang klasifikasi biaya pasien rawat inap penyakit jantung menggunakan teknik data mining attribute importance dan algoritma Naive Bayes. Metode ini digunakan untuk mengidentifikasi atribut-atribut penentu biaya pasien rawat inap penyakit jantung berdasarkan data pasien dari rumah sakit tertentu. Hasil analisis menunjukkan atribut pasien, penyakit, dan tipe kelas sebagai tiga atribut penentu biaya terbesar.
Jurnal sistem pakar diagnosa awal kanker serviks dengan metode certainty fact...roniracuda
Sistem pakar diagnosis awal kanker serviks dengan metode certainty factor dikembangkan untuk membantu mendeteksi gejala awal penyakit pada wanita. Sistem ini menggunakan basis pengetahuan yang berisi hubungan antara gejala dan penyakit beserta nilai kepastiannya. Proses diagnosis menggunakan inferensi berbasis aturan untuk menentukan kemungkinan penyakit berdasarkan gejala yang dirasakan pasien.
1. Dokumen ini membahas tentang klasifikasi stadium kanker paru menggunakan model Radial Basis Function Neural Network (RBFNN) dan preprocessing dengan operasi titik.
2. Tujuan penelitian ini adalah mendiskripsikan proses dan hasil klasifikasi stadium kanker paru dengan menggunakan RBFNN dengan dan tanpa operasi titik.
3. Penelitian ini diharapkan dapat mempermudah diagnosis kanker paru sehingga pasien dapat mendapatkan penanganan
Klasifikasi Data Indian Liver Patient dengan Metode Logistic Regression, k- N...dafdimas
Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut menggunakan metode klasifikasi seperti logistic regression, k-nearest neighbors, adaptive boosting, dan SVM untuk mengklasifikasi data pasien hati India.
2. Metode k-nearest neighbors memberikan hasil klasifikasi yang paling baik dengan akurasi 90,05%.
3. Saran untuk penelitian selanjutnya adalah melakukan lebih banyak metode preprocessing data dan analisis klasifikasi untuk menyelesaikan mas
Uji normalitas digunakan untuk melihat apakah data penelitian terdistribusi secara normal dengan menggunakan beberapa metode seperti skewness, kurtosis, Chi Square, Lilliefors, Kolmogorov-Smirnov, dan Shapiro Wilk. Data normal diperlukan untuk analisis parametrik dan dapat dicek menggunakan program SPSS.
Ringkasan dokumen tersebut adalah sebagai berikut:
1. Dokumen tersebut membahas klasifikasi status penyakit jantung menggunakan beberapa metode machine learning seperti KNN, adaptive boosting, decision tree, random forest, naïve bayes, logistic regression, dan gradient boosting.
2. Data yang digunakan berasal dari Heart Disease Dataset pada Kaggle yang berisi 303 responden dengan 13 variabel.
3. Metode klasifikasi dan validasi terbaik untuk memprediksi status peny
Dokumen tersebut membahas tentang pemeriksaan penunjang, yang meliputi definisi, tujuan, jenis-jenis, tahapan, dan manfaatnya. Pemeriksaan penunjang merupakan pemeriksaan tambahan selain pemeriksaan fisik untuk mendiagnosis dan mengobati pasien dengan lebih akurat.
Case-based reasoning untuk mendiagnosa penyakit babiAburame-Deo Gr
Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut membahas latar belakang, rumusan masalah, tujuan dan metodologi penelitian implementasi sistem penalaran berbasis kasus untuk mendiagnosa penyakit pada babi.
2. Sistem ini bertujuan untuk membantu tenaga medis nondokter dalam mendiagnosa penyakit babi berdasarkan gejala-gejala yang diinputkan.
3. Metode yang digunakan adalah peng
penalaran berbasis kasus untuk mendiagnosis penyakit babiAburame-Deo Gr
Bab pendahuluan membahas latar belakang permasalahan diagnosa penyakit pada babi di Rumah Sakit Hewan Kota Kupang yang memiliki tenaga medis terbatas. Tujuan penelitian ini adalah membangun sistem diagnosa penyakit pada babi berbasis penalaran kasus dengan menggunakan algoritma K-Nearest Neighbor.
Mendiagnosa Penyakit Pada Babi Berdasarkan Penalaran Berbasis KasusAburame-Deo Gr
Case-Based Reasoning (CBR) merupakan sebuah sistem penalaran berbasis kasus yang bertujuan untuk menyelesaikan suatu permasalahan baru dengan cara mengadaptasi solusi-solusi yang terdapat pada kasus-kasus sebelumnya yang sama atau mirip dengan kasus baru. Implementasi sistem CBR dapat digunakan dalam berbagai bidang yaitu kesehatan, pendidikan, pemasaran dan lain-lain.
Implementasi CBR dalam bidang kesehatan khususnya pada kesehatan hewan dimana sistem ini dibuat untuk mampu mendiagnosa penyakit pada hewan berdasarkan pada kasus-kasus yang mirip atau serupa yang telah disimpan di dalam database penyimpanan kasus sebelumnya dan menganjurkan solusi sesuai dengan kasus yang mirip. Penyakit pada hewan di Indonesia khusunya di kota Kupang-Nusa Tenggara Timur (NTT) pada dasarnya lebih sering disebabkan oleh virus, jamur, infeksi, dan parasit. Disamping itu terdapat juga faktor-faktor lain seperti lingkugan hidup, iklim dan lain sebagainya.
Rumah Sakit Hewan (RSH) UPT Veteriner Kota Kupang merupakan salah satu RSH yang mampu menangani kesehatan hewan. Rumah sakit ini menangani banyak pasien yang lebih cenderung pada anjing dan babi serta rata-rata menangani 25 pasien tiap harinya. RSH UPT Veteriner Kota Kupang hanya memiliki 8 tenaga medis yang terdiri dari 4 dokter dan 4 perawat (tenaga medis nondokter). Untuk menangani pasien, rumah sakit ini memiliki layanan 24 jam, dimana 2 dokter dan 2 perawat melayani pasien di luar rumah sakit (turun ke lapangan) disamping itu dokter dan perawat lainnya tetap berjaga dalam rumah sakit. Minimnya tenaga dokter cendrung menimbulkan permasalahan; yang pertama, ketika dokter yang melayani di dalam maupun yang di luar rumah sakit berhalangan untuk hadir sehingga yang melayani pasien saat itu adalah perawat. Yang kedua, jika banyak pasien yang berdatangan maka akan membutuhkan waktu yang lama untuk berkonsultasi. Disini, sistem CBR dapat digunakan untuk membantu para perawat dalam mendiagnosa penyakit hewan khususnya pada babi dan dapat mempercepat proses konsultasi terhadap pasien. Disamping itu, sistem juga dapat digunakan ketika di luar jam kerja, seperti halnya ketika perawat berada di rumah atau ketika hari libur. Dengan begitu, pasien dapat langsung berkonsultasi dengan perawat tanpa bertemu dengan dokter.
Berdasarkan hal yang telah dipaparkan di atas, dalam mendiagnosa penyakit pada babi dibutuhkan data-data mengenai gejala-gejala sesuai dengan penyakitnya serta seorang pakar yaitu dokter yang dapat memberikan dosis obat sesuai dengan penyakit yang diderita. Untuk itu dibuatlah suatu sistem yang dapat menyimpan tentang gejala-gejala serta solusi yang dapat mendiagnosa penyakit pada babi tersebut. Oleh karena itu, maka penulis mengambil judul "Mendiagnosa Penyakit Pada Babi Berdasarkan Penalaran Berbasis Kasus"
Mendiagnosa Penyakit Pada Babi Berdasarkan Penalaran Berbasis kasus_Bab1Aburame-Deo Gr
Bab pendahuluan membahas latar belakang permasalahan diagnosa penyakit pada babi di Rumah Sakit Hewan Kota Kupang yang memiliki keterbatasan tenaga medis sehingga dibutuhkan sistem pendukung. Tujuan penelitian ini adalah membangun sistem aplikasi penalaran berbasis kasus untuk mendiagnosa penyakit pada babi berdasarkan gejala-gejala. Sistem akan menggunakan algoritma K-Nearest Neighbor untuk mencocokan gej
CT scan kepala menunjukkan adanya:
1. Defek os parietal kiri pasca operasi
2. Lesi hipodens besar di lobus frontal dan parietal kiri yang menyebabkan pergeseran struktur ke kanan
3. Peningkatan kontrast pada lesi tersebut
Lesi tersebut diduga adalah tumor otak yang kambuh setelah operasi sebelumnya.
Tn. Mukhtasor, 29Th, Adenoid cystic carcinoma palpebra superior OD.docxIqbalHarziky
Pasien mengalami adenoid cystic carcinoma palpebra superior OD. Pemeriksaan MSCT abdomen dan pelvis menunjukkan hepatomegali dan splenomegali tanpa kelainan. Ditemukan pembesaran kelenjar getah bening multiple di sekitar aorta, iliaca kanan, mesenterik, dan ingguinal bilateral. Terdapat cysta ginjal kiri multiple. Pemeriksaan kandung empedu, pankreas, ginjal kanan, kandung kemih, prostat, dan rektum tidak menunjukkan kelainan.
Klasifikasi Data Indian Liver Patient dengan Metode Logistic Regression, k- N...dafdimas
Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut menggunakan metode klasifikasi seperti logistic regression, k-nearest neighbors, adaptive boosting, dan SVM untuk mengklasifikasi data pasien hati India.
2. Metode k-nearest neighbors memberikan hasil klasifikasi yang paling baik dengan akurasi 90,05%.
3. Saran untuk penelitian selanjutnya adalah melakukan lebih banyak metode preprocessing data dan analisis klasifikasi untuk menyelesaikan mas
Uji normalitas digunakan untuk melihat apakah data penelitian terdistribusi secara normal dengan menggunakan beberapa metode seperti skewness, kurtosis, Chi Square, Lilliefors, Kolmogorov-Smirnov, dan Shapiro Wilk. Data normal diperlukan untuk analisis parametrik dan dapat dicek menggunakan program SPSS.
Ringkasan dokumen tersebut adalah sebagai berikut:
1. Dokumen tersebut membahas klasifikasi status penyakit jantung menggunakan beberapa metode machine learning seperti KNN, adaptive boosting, decision tree, random forest, naïve bayes, logistic regression, dan gradient boosting.
2. Data yang digunakan berasal dari Heart Disease Dataset pada Kaggle yang berisi 303 responden dengan 13 variabel.
3. Metode klasifikasi dan validasi terbaik untuk memprediksi status peny
Dokumen tersebut membahas tentang pemeriksaan penunjang, yang meliputi definisi, tujuan, jenis-jenis, tahapan, dan manfaatnya. Pemeriksaan penunjang merupakan pemeriksaan tambahan selain pemeriksaan fisik untuk mendiagnosis dan mengobati pasien dengan lebih akurat.
Case-based reasoning untuk mendiagnosa penyakit babiAburame-Deo Gr
Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut membahas latar belakang, rumusan masalah, tujuan dan metodologi penelitian implementasi sistem penalaran berbasis kasus untuk mendiagnosa penyakit pada babi.
2. Sistem ini bertujuan untuk membantu tenaga medis nondokter dalam mendiagnosa penyakit babi berdasarkan gejala-gejala yang diinputkan.
3. Metode yang digunakan adalah peng
penalaran berbasis kasus untuk mendiagnosis penyakit babiAburame-Deo Gr
Bab pendahuluan membahas latar belakang permasalahan diagnosa penyakit pada babi di Rumah Sakit Hewan Kota Kupang yang memiliki tenaga medis terbatas. Tujuan penelitian ini adalah membangun sistem diagnosa penyakit pada babi berbasis penalaran kasus dengan menggunakan algoritma K-Nearest Neighbor.
Mendiagnosa Penyakit Pada Babi Berdasarkan Penalaran Berbasis KasusAburame-Deo Gr
Case-Based Reasoning (CBR) merupakan sebuah sistem penalaran berbasis kasus yang bertujuan untuk menyelesaikan suatu permasalahan baru dengan cara mengadaptasi solusi-solusi yang terdapat pada kasus-kasus sebelumnya yang sama atau mirip dengan kasus baru. Implementasi sistem CBR dapat digunakan dalam berbagai bidang yaitu kesehatan, pendidikan, pemasaran dan lain-lain.
Implementasi CBR dalam bidang kesehatan khususnya pada kesehatan hewan dimana sistem ini dibuat untuk mampu mendiagnosa penyakit pada hewan berdasarkan pada kasus-kasus yang mirip atau serupa yang telah disimpan di dalam database penyimpanan kasus sebelumnya dan menganjurkan solusi sesuai dengan kasus yang mirip. Penyakit pada hewan di Indonesia khusunya di kota Kupang-Nusa Tenggara Timur (NTT) pada dasarnya lebih sering disebabkan oleh virus, jamur, infeksi, dan parasit. Disamping itu terdapat juga faktor-faktor lain seperti lingkugan hidup, iklim dan lain sebagainya.
Rumah Sakit Hewan (RSH) UPT Veteriner Kota Kupang merupakan salah satu RSH yang mampu menangani kesehatan hewan. Rumah sakit ini menangani banyak pasien yang lebih cenderung pada anjing dan babi serta rata-rata menangani 25 pasien tiap harinya. RSH UPT Veteriner Kota Kupang hanya memiliki 8 tenaga medis yang terdiri dari 4 dokter dan 4 perawat (tenaga medis nondokter). Untuk menangani pasien, rumah sakit ini memiliki layanan 24 jam, dimana 2 dokter dan 2 perawat melayani pasien di luar rumah sakit (turun ke lapangan) disamping itu dokter dan perawat lainnya tetap berjaga dalam rumah sakit. Minimnya tenaga dokter cendrung menimbulkan permasalahan; yang pertama, ketika dokter yang melayani di dalam maupun yang di luar rumah sakit berhalangan untuk hadir sehingga yang melayani pasien saat itu adalah perawat. Yang kedua, jika banyak pasien yang berdatangan maka akan membutuhkan waktu yang lama untuk berkonsultasi. Disini, sistem CBR dapat digunakan untuk membantu para perawat dalam mendiagnosa penyakit hewan khususnya pada babi dan dapat mempercepat proses konsultasi terhadap pasien. Disamping itu, sistem juga dapat digunakan ketika di luar jam kerja, seperti halnya ketika perawat berada di rumah atau ketika hari libur. Dengan begitu, pasien dapat langsung berkonsultasi dengan perawat tanpa bertemu dengan dokter.
Berdasarkan hal yang telah dipaparkan di atas, dalam mendiagnosa penyakit pada babi dibutuhkan data-data mengenai gejala-gejala sesuai dengan penyakitnya serta seorang pakar yaitu dokter yang dapat memberikan dosis obat sesuai dengan penyakit yang diderita. Untuk itu dibuatlah suatu sistem yang dapat menyimpan tentang gejala-gejala serta solusi yang dapat mendiagnosa penyakit pada babi tersebut. Oleh karena itu, maka penulis mengambil judul "Mendiagnosa Penyakit Pada Babi Berdasarkan Penalaran Berbasis Kasus"
Mendiagnosa Penyakit Pada Babi Berdasarkan Penalaran Berbasis kasus_Bab1Aburame-Deo Gr
Bab pendahuluan membahas latar belakang permasalahan diagnosa penyakit pada babi di Rumah Sakit Hewan Kota Kupang yang memiliki keterbatasan tenaga medis sehingga dibutuhkan sistem pendukung. Tujuan penelitian ini adalah membangun sistem aplikasi penalaran berbasis kasus untuk mendiagnosa penyakit pada babi berdasarkan gejala-gejala. Sistem akan menggunakan algoritma K-Nearest Neighbor untuk mencocokan gej
CT scan kepala menunjukkan adanya:
1. Defek os parietal kiri pasca operasi
2. Lesi hipodens besar di lobus frontal dan parietal kiri yang menyebabkan pergeseran struktur ke kanan
3. Peningkatan kontrast pada lesi tersebut
Lesi tersebut diduga adalah tumor otak yang kambuh setelah operasi sebelumnya.
Tn. Mukhtasor, 29Th, Adenoid cystic carcinoma palpebra superior OD.docxIqbalHarziky
Pasien mengalami adenoid cystic carcinoma palpebra superior OD. Pemeriksaan MSCT abdomen dan pelvis menunjukkan hepatomegali dan splenomegali tanpa kelainan. Ditemukan pembesaran kelenjar getah bening multiple di sekitar aorta, iliaca kanan, mesenterik, dan ingguinal bilateral. Terdapat cysta ginjal kiri multiple. Pemeriksaan kandung empedu, pankreas, ginjal kanan, kandung kemih, prostat, dan rektum tidak menunjukkan kelainan.
MRI is increasingly used to evaluate developmental dysplasia of the hip (DDH) as it is a noninvasive imaging modality that provides excellent anatomic detail of both ossified and unossified structures of the hip. While ultrasound and radiography were previously the standard modalities depending on patient age, MRI is now widely used for treatment planning, monitoring, and in the postoperative period. The radiologist should be familiar with the critical MRI findings of DDH and the increasing role of MRI in the evaluation and management of this condition.
1. MRI plays an important role in evaluating developmental dysplasia of the hip (DDH), allowing assessment of bony and soft tissue anatomy without radiation.
2. MRI is useful both preoperatively to identify causes of failed reduction like labral abnormalities and interposing soft tissues, and postoperatively to assess reduction success and detect early complications like avascular necrosis.
3. Key MR findings in DDH include displaced femoral head position, labral thickening or flipping, pulvinar hypertrophy, and abnormal acetabular index measuring inadequate femoral head coverage.
1) During the anatomical dissection of a 70-year-old male cadaver, the researchers discovered a rare finding of concurrent fenestration and phlebectasia of the right internal jugular vein.
2) Specifically, they found a 2.5 cm fenestrated segment in the superior part of the carotid triangle along with a large 4 cm by 7 cm dilatation (phlebectasia) of the internal jugular vein below the fenestrated segment.
3) This represents a unique case that has not been reported previously, as the two anomalies occurred together on the same vein and the phlebectasia involved the non-fenestrated segment rather than a fenest
Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut membandingkan akurasi algoritma Naive Bayes dan C4.5 dalam memprediksi penyakit jantung dengan menggunakan dataset dari UCI Machine Learning Repository.
2. Hasilnya menunjukkan bahwa algoritma Naive Bayes memiliki nilai akurasi dan AUC yang lebih tinggi dibandingkan algoritma C4.5.
3. Dengan demikian, algoritma Naive Bayes lebih akurat dalam memprediksi peny
WA 081388333722 Jual Dildo Penis IKat Pinggang Di Surabaya Codajongshopp
WA 081–388–333–722 JUAL VAGINA SENTER ELEKTRIK ALAT BANTU SEKS PRIA DI SURABAYA COD
SIAP ANTAR / COD : SURABAYA, SIDOARJO, MOJOKERTO
KUNJUNGI TOKO KAMI DI : TOKO AJONG VITALITASS JL. RAYA KLETEK NO.112 TAMAN SIDOARJO ( sebrang BRI kletek / sebelah jualan bambu )
Wen4D Daftar Situs Slot Gacor Gampang Maxwin Terbaru Hari IniWen4D
Wen4D adalah pilihan situs judi slot terbaik di Indonesia dan terpercaya yang menghadirkan jaminan keamanan dan kenyamanan bagi para pemain yang bergabung. Sistem game yang kami sajikan 100% fairplay di mana artinya memang tidak ada campur tangan pihak manapun yang menentukan kemenangan.
Link Alternatif : https://heylink.me/WEN4D.com/
1. Konferensi Nasional Ilmu Sosial & Teknologi (KNiST)
Maret 2017, pp. 7~12 7
Diterima 22 Februari 2017; Revisi 06 Maret 2017; Disetujui 15 Maret 2017
DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN
MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA
C4.5
Tri Retnasari
1
, Eva Rahmawati
2
1
STMIK Nusa Mandiri Sukabumi
e-mail: retna3sari@gmail.com
2
STMIK Nusa Mandiri Sukabumi
e-mail: eva.rijal@gmail.com
Abstrak
WHO menyebutkan penyakit jantung merupakan penyakit pembunuh orang didunia nomor
1, yang tentu saja telah merenggut banyak nyawa di berbagai belahan dunia. Dari data yang
diperoleh di tahun 2015 saja ada 15 juta orang yang ada didunia meninggal akibat penyakit
jantung, jika dipersentasikan pada tahun tersebut dengan total keseluruhan kematian di tahun
tersebut jumlanya sekitar 54%. Tentu saja dengan data tersebut penyakit jantung merupakan
penyakit yang mengkhawatirkan dan perlu diwaspadai oleh setiap orang. Sekitar 35 persen
kematian di Indonesia disebabkan oleh penyakit jantung. Menurut Federasi Jantung Dunia,
angka kematian akibat penyakit jantung koroner di Asia Tenggara mencapai 1,8 juta kasus
pada tahun 2014. Banyak penelitian yang dilakukan untuk mendiagnosa pasien dengan benar
namun belum diketahui metode apa yang akurat dalam memprediksi penyakit jantung. Dalam
penelitian ini dilakukan komparasi algoritma Naïve Bayes dan C4.5 untuk mengetahui algoritma
mana yang paling akurat dalam memprediksi penyakit jantung. Hasil pengujian kedua algoritma
tersebut diketahui bahwa Algoritma Naïve Bayes memiliki nilai akurasi yang paling tinggi yaitu
86.67% sedangkan algoritma C4.5 memiliki nilai akurasi 83.70%. Dengan demikian algoritma
Naïve Bayes dapat memprediksi penyakit jantung lebih baik. Manfaat bagi peneliti mampu
membandingkan nilai akurasi metode data mining dengan metode yang lainnya
Keywords: Penyakit Jantung, algoritma Naïve Bayes, Algoritma C4.5
1. Pendahuluan
Jantung merupakan salah satu organ
terpenting dalam tubuh. Organ berukuran
sebesar kepalan tangan ini berfungsi
memompa dan menyebarkan darah yang
mengandung oksigen ke seluruh tubuh.
Berbagai penelitian telah banyak dilakukan
untuk mengenali ciri-ciri awal seseorang
terkena penyakit jantung, karena penyakit
jantung bisa dialami dari mulai bayi, remaja,
dewasa dan juga orangtua.
Ada banyak jenis gangguan pada jantung
atau macam-macam penyakit jantung yang
perlu diketahui dan diwaspadai. Banyak
masyarakat awam yang menganggap jika
penyakit jantung itu hanya penyakit jantung
koroner, padahal penyakit jantung koroner
adalah salah satu dari jenis penyakit
jantung. (Wajhillah, 2014), berdasarkan dari
data yang didapatkan dari (Organization,
2015), kemungkinan jumlah penderita
jantung di Indonesia akan meningkat.
2. ISBN: 978-602-61242-0-3
KNiST, 30 Maret 2017 8
Sumber: (Organization, 2015)
Gambar 1. Grafik 10 Penyakit Penyebab kematian di Negara Maju dengan Pendapatan Tinggi
dan Rendah
Penelitian yang telah dilakukan untuk
mendiagnosa pasien diantaranya:
a. (Wajhillah, 2014) menggunakan
algoritma C4.5 untuk mengoptimasi
prediksi penyakit jantung. Hasil penelitian
bahwa nilai akurasi algoritma klasifikasi
C4.5 senilai 81,25%, sedangkan untuk
nilai akurasi algoritma klasifikasi C4.5
berbasis PSO sebesar 93,75%.
b. (Soni, Ansari, Sharma, & Soni, 2011)
menggunakan Decision Tree and
Bayesian Classification untuk
meningkatkan dan mengurangi ukuran
data aktual agar mendapatkan subset
optimal atribut yang cukup saat
memprediksi penyakit jantung. Hasil
penelitian adalah bahwa keakuratan
Decision Tree dan Naïve Bayes lebih
meningkatkan setelah menerapkan
algoritma genetika untuk mengurangi
ukuran data aktual untuk mendapatkan
bagian yang optimal dari atribut yang
cukup untuk prediksi penyakit jantung.
c. (Pramunendar, Dewi, & Asari, 2013)
menggunakan Algoritma Back
Propagation Neural Network dengan
Metode Adaboost. Hasil penelitian bahwa
nilai akurasi hasil prediksi menggunakan
algoritma BPNN adalah 96,65 % dan
algoritma BPNN dengan metode
Adaboost menjadi 99,29 %.
Neural network adalah satu set unit
input/output yang terhubung dimana tiap
relasinya memiliki bobot (Ramdhani, 2016;
Han, 2006). Neural Network dimaksudkan
untuk mensimulasikan perilaku sistem
biologi susunan syaraf manusia (Alpaydin,
2010). Naive Bayes merupakan metode
klasifikasi populer dan masuk dalam sepuluh
algoritma terbaik dalam data mining,
algoritma ini juga dikenal dengan nama
Idiot’s Bayes, Simple Bayes, dan
Independence Bayes (Bramer, 2007).
Menurut (Han, 2006) Algoritma C4.5
merupakan bagian dari kelompok algoritma
decision trees dan merupakan kategori 10
algoritma yang paling populer.
Berdasarkan beberapa penelitian tersebut
diatas, untuk menangani kelemahan-
kelemahan yang masih ada maka akan
diterapkan komparasi algoritma Naïve
Bayes dan C4.5 untuk mengetahui algoritma
mana yang paling akurat dalam
memprediksi penyakit jantung. Penerapan
algoritma Naïve Bayes dan C4.5 dalam
prediksi awal penyakit jantung dengan
menggunakan data set yang digunakan
berasal dari UCI Machine Learning
Repository. Hasil prediksi awal yang
didapatkan dapat digunakan oleh para
petugas medis sebagai alat bantu dalam
penentuan penyakit jantung dan langkah
awal penanganannya.
2. Metode Penelitian
Tahapan dalam kerangka penelitian dibagi
menjadi 4 bingkai dasar, yaitu:
a. Pengumpulan Data.
Pada penelitian ini, merupakan data
sekunder. Dalam pengumpulan data
sumber dapat di peroleh dari University
of California Irvine (UCI) Machine
Learning Repository untuk di jadikan
objek penelitian dan mencari data
tambahan melalui buku-buku, jurnal,
publikasi dan lain-lain untuk di jadikan
rujukan penulisan dan penelitian.
b. Pengolahan Awal Data.
Dilakukan penyeleksian data, data
dibersihkan dan ditransformasikan
bentuk yang diinginkan sebelum
dilakukan pembuatan model
3. ISBN: 978-602-61242-0-3
KNiST, 30 Maret 2017 9
c. Model atau Metode yang Diusulkan
atau Dikembangkan.
Data yang diteliti dianalisa kemudian
di kelompokan variabel mana yang
berhubungan dengan satu sama
lainnya, lalu dibuatkan model yang
sesuai dengan jenis data. Pembagian
data kedalam data latihan (training
data) dan data uji (testing data) juga
diperlukan untuk pembuatan model.
d. Eksperimen dan pengujian model atau
metode pengujian model diusulkan
pada model yang akan diuji untuk
melihat hasil berupa rule yang akan
dimanfaatkan dalam mengambil
keputusan hasil penelitian.
e. Evaluasi dan Validasi Hasil.
Pada penelitian ini dilakukan evaluasi
terhadap model yang ditetapkan
untuk mengetahui tingkat keakurasian
model.
Berikut ini adalah metode yang diusulkan
dalam penelitian ini:
Gambar 2. Metode yang Diusulkan dalam Penelitian
3. Pembahasan
Pada penelitian ini, data kasus digunakan
270 data set penyakit jantung yang
diperoleh dari University of California Irvine
(UCI) Machine Learning Repository yang
bersifat publik yang akan dibagi menjadi
data training dan testing. Data set terdiri dari
13 atribut yaitu umur, jenis kelamin, jenis
sakit dada, tekanan darah, kolestrol, kadar
gula, elekrokardiografi, tekanan darah,
angina induksi, oldpeak, segmen_st,
flaurosopy, dan denyut jantung.
Data pasien penyakit jantung yang diambil
dari UCI Machine Learning Repository
berupa format comma separated values
(CSV) seperti yang digambarkan pada tabel
1 berikut:
Tabel 1. Data pasien penyakit jantung
Sumber: (Repository, 2017)
Algoritma Naïve
Bayes
Model Naive
Bayes
Evaluasi :
Confusius matrix
Model C4.5
Algoritma C4.5
Data Sekunder: Pasien
Penyakit Jantung
Pengujian :
Cross Validation
dan relative
Evaluasi :
Confusius matrix
Pengujian :
Cross Validation
dan relative
4. ISBN: 978-602-61242-0-3
KNiST, 30 Maret 2017 10
3.1. Model Naïve Bayes
Berikut adalah gambar pengujian data
penyakit Jantung dengan algoritma Naïve
Bayes menggunakan RapidMiner:
Gambar 3. Pengujian Penyakit jantung menggunakan algoritma Naïve Bayes
a. Confusion Matrix
Gambar 3. menunjukkan hasil dari
confusion matrix model Naive Bayes.
Berdasarkan gambar 3.2 dapat diketahui
bahwa dari 270 data, 100 data
diperediksi 2 (positif), kemudian 16 data
diprediksi 2 (positif) tetapi ternyata
hasilnya prediksi 1 (negatif). Kemudian
134 data 1 (negatif) diprediksi sesuai
dengan prediksi yang dilakukan dengan
model Naive Bayes, dan 20 data prediksi
1 (negatif) tetapi ternyata hasil prediksi
nya 2 (positif).
Gambar 4. Hasil pengujian Confusion Matrix
untuk Model Naïve Bayes
b. Kurva ROC
Hasil perhitungan divisualisasikan
dengan kurva ROC. Perbandingan kedua
class bisa dilihat pada gambar 5. yang
merupakan kurva ROC untuk algoritma
Naive Bayes. Menghasilkan nilai AUC (
Area Under Curve) sebesar 0.909
dengan nilai akurasi Klasifikasi (Excellent
Classification).
Gambar 5. Kurva ROC dengan
model Naive Bayes
3.2. Model C4.5
3.3. Berikut adalah gambar pengujian data
penyakit Jantung dengan algoritma
C4.5 menggunakan RapidMiner:
5. ISBN: 978-602-61242-0-3
KNiST, 30 Maret 2017 11
Gambar 6. Pengujian Penyakit jantung menggunakan algoritma C 4.5
a. Confusion Matrix
Gambar 7. menunjukkan hasil dari
confusion matrix model C 4.5.
Berdasarkan gambar 3.5 dapat diketahui
bahwa dari 270 data, 90 data diperediksi
2 (positif), kemudian 14 data diprediksi 2
(positif) tetapi ternyata hasilnya prediksi 1
(negatif). Kemudian 136 data 1(negatif)
diprediksi sesuai dengan prediksi yang
dilakukan dengan model C 4.5, dan 30
data prediksi 1 (negatif) tetapi ternyata
hasil prediksi nya 2 (positif).
Gambar 7. Hasil pengujian Confusion Matrix
untuk Model C4.5
b. Kurva ROC
Hasil perhitungan divisualisasikan
dengan kurva ROC. Perbandingan kedua
class bisa dilihat pada gambar 8. yang
merupakan kurva ROC untuk algoritma
C4.5. Menghasilkan nilai AUC ( Area
Under Curve) sebesar 0.834 dengan
nilai akurasi Klasifikasi (good
classification).
Gambar 8. Kurva ROC dengan model C4.5
Hasil analisis dari model algoritma Naïve
Bayes dan C4.5 dirangkumkan dalam tabel
dibawah ini.
Tabel 2. Komparasi Nilai Accuracy dan AUC
Naïve
Bayes
C 4.5
Accuracy 86.67% 83.70%
AUC 0.909 0.834
6. ISBN: 978-602-61242-0-3
KNiST, 30 Maret 2017 12
Tabel 4.1 membandingkan Accuracy dan
AUC dari tiap model. Terlihat bahwa nilai
accuracy dan AUC Naïve Bayes lebih
tinggi dibandingkan C 4.5. Penerapan
Naïve Bayes untuk prediksi penyakit
jantung menghasilkan selisih nilai akurasi
sebesar 2.97%. Untuk evaluasi
menggunakan ROC curve sehingga
menghasilkan nilai AUC (Area Under Curve)
untuk model algoritma Naïve Bayes
mengasilkan nilai 0.909 dengan nilai
akurasi Excellent Classification, sedangkan
untuk algoritma C 4.5 menghasilkan nilai
0.834 dengan nilai akurasi Good
Classification, dan selisih nilai keduanya
sebesar 0.075.
4. Simpulan
Meskipun diketahui bahwa algoritma Naïve
Bayes memiliki akurasi yang paling tinggi
namun untuk penelitian selanjutnya dapat
ditambahkan untuk meningkatkan akurasi
dan mengurangi prosedur pemeriksaan
medis sehingga biaya untuk tes jantung bisa
lebih sedikit dan agar penelitian ini bisa
ditingkatkan. Untuk penelitian berikutnya
dapat dilakukan optimasi peningkatan nilai
akurasi dan membandingkan metode yang
lain dapat juga pembuatan aplikasi
Decission Support System (DSS) dari
metode Algoritma Naïve Bayes.
Referensi
Alpaydin, E. (2010). Introduction to Machine
Learning. London: The MIT Press.
Bramer, M. (2007). Principles of Data
Mining. London: Springer.
Han, J. a. (2006). Data Mining Concepts adn
Techniques. San Fransisco: Morgan
Kauffman.
Organization, W. H. (2015).
http://www.who.int/mediacentre/fact
sheets/fs310/en/index1.html.
Retrieved Maret 06, 2017, from
http://www.who.int/mediacentre/fact
sheets/fs310/en/index.html :
http://www.who.int
Pramunendar, R., Dewi, I., & Asari, H.
(2013). Penentuan Prediksi Awal
Penyakit Jantung Menggunakan
Algoritma Back Propagation Neural
Network dengan Metode Adaboost.
SEMANTIK, ISBN:979-26-0266-6,
298-304.
Ramdhani, Y. (2016). KOMPARASI
ALGORITMA LDA DAN NAÏVE
BAYES DENGAN OPTIMASI FITUR
UNTUK KLASIFIKASI CITRA
TUNGGAL PAP SMEAR.
INFORMATIKA, 2(2).
Repository, U. M. (2017).
https://archive.ics.uci.edu/ml/dataset
s/Heart+Disease. Retrieved Febuari
20, 2017, from
https://archive.ics.uci.edu/ml/dataset
s.html: https://archive.ics.uci.edu.
Soni, J., Ansari, U., Sharma, D., & Soni, S.
(2011). Predictive Data Mining for
Medical Diagnosis: An Overview of
Heart Disease Prediction.
International Journal of Computer
Applications (0975– 8887), 43-48.
Wajhillah, R. (2014). Optimasi Algoritma
Klasifikasi c4.5 Berbasis Particle
Swarm Optimization Untuk Prediksi
Penyakit Jantung. Swabumi vol I
No. 1, , 26-36.