Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Kanker Payudara

Nugraha, Fitra Septia; Shidiq, Muhammad Ja’far; Rahayu, Sri

doi:10.33480/pilar.v15i2.601

Cited by 19 publications

(20 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penderita dinyatakan mengidap kanker Hepatocellular Carcinoma (HCC) setelah didiagnosa memiliki kanker tahap lanjut, sehingga diperlukan diagnosis lebih awal untuk mendeteksi kanker Hepatocellular Carcinoma (HCC) agar pasien dapat memiliki kesempatan untuk selamat dari penyakit tersebut (Nugraha, Shidiq, & Rahayu, 2019).…”

Section: Pendahuluanunclassified

Penerapan Data Mining Untuk Klasifikasi Penyakit Hepatocellular Carcinoma Menggunakan Algoritma Naïve Bayes

Doni¹,

Susanti²,

Mubarok³

2021

j. responsif ris. sains inform.

View full text Add to dashboard Cite

Hepatocellular Carcinoma merupakan tumor ganas hati primer yang berasal dari hepatosit. Dalam dasawarsa terakhir terjadi perkembangan yang cukup berarti menyangkut penyakit Hepatocellular Carcinoma. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kemungkinan hidup pasien yang telah di diagnosis menderita penyakit Hepatocellular Carcinoma dengan menggunakan penerapan metode data mining serta melakukan pengukuran terhadap performa algoritma Naïve Bayes dengan mengacu kepada Confusion Matrix dan Kurva ROC. Data sekunder yang digunakan merupakan data publik yang bernama HCC Survival Data Set yang dirilis pada tahun 2017 dan diperoleh dari website UCI Machine Learning Repository. Algortima Naïve Bayes merupakan salah satu algoritma yang terdapat dalam metode data mining yang menerapkan Teori Keputusan Bayes pada teknik klasifikasi dengan menggunakan cara pendekatan statistik yang bersifat fundamental dalam pengenalan pola. Teknik validasi yang digunakan menggunakan teknik 10-Fold Cross-Validation dengan rasio pembagian data sebesar 90:10. Perangkat lunak yang digunakan adalah RapidMiner Studio v9.5. Hasil penelitian menunjukkan bahwa hasil performa algoritma Naïve Bayes yang diukur menggunakan Confussion Matrix dengan nilai yang dihasilkan berupa nilai Akurasi sebesar 70,30%, Presisi sebesar 73,53% dan Recall sebesar 77,32% serta hasil performa yang diukur menggunakan Kurva ROC (Receiver Operating Characteristic) dengan nilai yang dihasilkan berupa nilai AUC sebesar 0.783 yang termasuk dalam kategori Fair Classification atau kategori Klasifikasi Cukup.

show abstract

Section: Pendahuluanunclassified

Penerapan Data Mining Untuk Klasifikasi Penyakit Hepatocellular Carcinoma Menggunakan Algoritma Naïve Bayes

Doni¹,

Susanti²,

Mubarok³

2021

j. responsif ris. sains inform.

View full text Add to dashboard Cite

show abstract

“…Teknik Machine Learning dapat meningkatkan pendeteksian otomatis. Dengan sistem ini, kemungkinan kesalahan dalam diagnosis dihindari [6]. Klasifikasi adalah sebuah teknik untuk menentukan keanggotaan kelompok berdasarkan data-data yang sudah ada.…”

Section: Pendahuluanunclassified

“…Cross Validation, merupakan pengujian standar yang dilakukan untuk memprediksi error rate [6]. Pengukuran hasil validasi dengan menggunakan ROC dan Confusion matrix sampai mendapatkan tingkat akurasi yang tertinggi.…”

Section: Analisa Dan Kesimpulan Perbandingan Algoritmaunclassified

Komparasi Algoritma C4.5 Dan Naïve Bayes Dalam Penentuan Status Kelayakan Donor Darah

et al. 2021

View full text Add to dashboard Cite

Donor darah merupakan kegiatan kemanusiaan dimana seseorang dengan sukarela menyumbangkan darahnya untuk disimpan di bank darah yang kemudian digunakan untuk transfusi darah. UDD (Unit Donor Darah) PMI Kota Pontianak merupakan tempat pelayanan donor darah dari masyarakat Kota Pontianak. Dalam prakteknya, tidak semua masyarakat yang ingin mendonorkan darah dapat berhasil mendonorkan darahnya. Dalam memprediksi layak atau tidaknya masyarakat untuk mendonorkan darahnya dapat dilakukkan dengan klasifikasi data mining untuk mengetahui faktor yang paling mempengaruhi prediksi donor darah. Penelitian ini menggunakan metode klasifikasi algoritma C4.5 dan Naïve Bayes kemudian dilakukan perbandingan dua metode tersebut menggunakan confusion matrix, AUC dan uji beda t-test dengan analisa software rapidminer berdasarkan umur, jenis kelamin, berat badan, tekanan darah, dan hemoglobin. Dari hasil penelitian ini, hemoglobin adalah variabel paling menentukan kelayakan donor darah kemudian tekanan darah. Algoritma terbaik dalam kasus ini adalah Naïve Bayes dengan akurasi 93,26%, sedangkan tingkat akurasi C4.5 93,22%. Naïve Bayes termasuk dalam predikat good classsification dengan AUC sebesar 0.833, sedangkan C4.5 termasuk dalam predikat fair classsification dengan AUC sebesar 0.758. Dari hasil uji beda t-test diperoleh hasil 0.841 yang menyatakan bahwa tidak ada perbedaan signifikan dalam penentuan klasifikasi status kelayakan donor darah untuk kedua algoritma.

show abstract

“…In the evaluation, observations and analysis of the results of model performance were carried out as measured by the Rapidminer tools (Nugraha, Shidiq, & Rahayu, 2019). Evaluation and validation were tested for accuracy with the Confusion Matrix.…”

Section: Evaluation and Valdiationmentioning

confidence: 99%

Comparison of Decision Tree, Naïve Bayes, and Neural Network Algorithm for Early Detection of Diabetes

Septiani¹,

Marlina²

2021

pilar

View full text Add to dashboard Cite

Diabetes mellitus is included in the top 3 most deadly diseases in Indonesia. Based on WHO data in 2013, diabetes contributed 6.5% to the death of the Indonesian population. Diabetes is a chronic disease characterized by high blood sugar (glucose) levels that exceed normal limits. In the health sector, historical medical data can be processed to extract new information and can be used for decision-making processes such as disease prediction. This study aims to classify predictions for early detection of diabetes in order to obtain accurate results for decision making. The data used are historical data on hospital disease patients in Sylhet, Bangladesh in the form of a diabetes dataset from the UCI Repository. The algorithms used are Decision Tree, Naive Bayes, and Neural Network. Then the three methods are compared using the Rapidminer tools. The measurement results are 90% accuracy with Decision Tree, 80% with Naive Bayes, and 70% with Neural Network. So that the best algorithm is obtained, namely the Decision Tree for predicting early detection of diabetes. Rule in the form of a decision tree generated from the Decision Tree is used for input or ideas for decision making in the health sector for diabetes.

show abstract

Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Kanker Payudara

Cited by 19 publications

References 5 publications

Penerapan Data Mining Untuk Klasifikasi Penyakit Hepatocellular Carcinoma Menggunakan Algoritma Naïve Bayes

Penerapan Data Mining Untuk Klasifikasi Penyakit Hepatocellular Carcinoma Menggunakan Algoritma Naïve Bayes

Komparasi Algoritma C4.5 Dan Naïve Bayes Dalam Penentuan Status Kelayakan Donor Darah

Comparison of Decision Tree, Naïve Bayes, and Neural Network Algorithm for Early Detection of Diabetes

Contact Info

Product

Resources

About