ALGORITMA C4.5 UNTUK DIAGNOSA PENYAKIT TUBERKULOSIS

Amrin Amrin, Irawan Satriadi, Oki Rosanto

Sari


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 untuk mendiagnosa penyakit tuberculosis. 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.


Kata Kunci


Algoritma C4.5; kurva ROC; matriks konfusi; tuberkulosis

Teks Lengkap:

PDF

Referensi


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.




DOI: https://doi.org/10.31294/jki.v7i2.6725

DOI (PDF): https://doi.org/10.31294/jki.v7i2.6725.g3745

p-ISSN 2339-1928

e-ISSN 2579-633X



Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika

Kampus Pontianak

Jl. Abdurrahman Saleh No.18 A Pontianak, Kalimantan Barat 78124

Telp : (0561)583924, Fax : (0561) 583934

Email : jurnalkhatulistiwainformatika@bsi.ac.id

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License

 

Jurnal Khatulistiwa Informatika Indexed by:

Image result for logo index sinta