Data Mining Methods: A Review

Papakyriakou, Dimitrios; Barbounakis, Ioannis S.

doi:10.5120/ijca2022921884

Cited by 11 publications

(8 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This examination can find many diseases and problems as well as determine general health. Aplastic anemia, chronic anemia, iron deficiency anemia, thalassemia, and renal disease-related anemia are the five different forms of anemia [14], [15]. This research approach combines classification techniques with data mining approaches [14] and uses 15 variables from the total blood count data collected from the National Health and Nutrition Examination Survey between 2017 and 2018.…”

Section: Methodsmentioning

confidence: 99%

“…Aplastic anemia, chronic anemia, iron deficiency anemia, thalassemia, and renal disease-related anemia are the five different forms of anemia [14], [15]. This research approach combines classification techniques with data mining approaches [14] and uses 15 variables from the total blood count data collected from the National Health and Nutrition Examination Survey between 2017 and 2018. The use of data from 2017-2018 in this study is justified by the stable nature of anemia-related parameters, the reliability of the collection of NHANES data, and the richness of the CBC dataset.…”

Section: Methodsmentioning

confidence: 99%

See 1 more Smart Citation

Data Mining Techniques for Predictive Classification of Anemia Disease Subtypes

Setiawan,

Amalia,

Prasetiawan

2024

J. RESTI (Rekayasa Sist. Teknol. Inf.)

View full text Add to dashboard Cite

Anemia, characterized by insufficient red blood cells or reduced hemoglobin, hinders oxygen transport in the body. Understanding the different types of anemia is vital to tailor effective prevention and treatment. This research explores the role of data mining in predicting and classifying anemia types, focusing on complete blood count (CBC) and demographic data. Data mining is the key to building models that help healthcare professionals diagnose and treat anemia. Employing the cross-industry standard process for data mining (CRISP-DM), with its six phases, facilitates this effort. Our study compared Naïve Bayes, J48 Decision Tree, and Random Forest algorithms using RapidMiner tools, evaluating precision, mean recall, and mean precision. The J48 decision tree outperformed the others, highlighting the importance of algorithm choice in anemia classification models. Furthermore, our analysis identified renal disease-related and chronic anemia as the most prevalent types, with greater occurrence among females. Recognizing gender disparities in the prevalence of anemia informs customized healthcare decisions. Understanding demographic factors in specific types of anemia is crucial to effective care strategies.

show abstract

Section: Methodsmentioning

confidence: 99%

Section: Methodsmentioning

confidence: 99%

Data Mining Techniques for Predictive Classification of Anemia Disease Subtypes

Setiawan,

Amalia,

Prasetiawan

2024

J. RESTI (Rekayasa Sist. Teknol. Inf.)

View full text Add to dashboard Cite

show abstract

“…Pengetahuan yg dihasilkan dari proses data mining dapat digunakan untuk tujuan tertentu. Data mining sangat bermanfaat dalam berbagai bidang seperti pemasaran, penjualan, penemuan ilmiah, pengembangan produk, dan prediksi data untuk mengidentifikasi hubungan yang tersembunyi dan tidak terduga di antara data [13], [14].…”

Section: Tinjauan Pustaka 21 Data Miningunclassified

Algoritma Xgboost Untuk Klasifikasi Kualitas Air Minum

Dava Maulana,

Id Hadiana,

Rakhmat Umbara

2024

jati

View full text Add to dashboard Cite

Air adalah sumber daya alam yang penting bagi keberlangsungan hidup organisme di bumi, termasuk manusia, hewan, dan tumbuhan. Namun, potensi tercemarnya air oleh bakteri dan zat mineral berbahaya mengancam kesehatan manusia. Penyebab utama tercemarnya air meliputi aktivitas manusia yang intens, proses industri kompleks, dan kurangnya kesadaran akan dampak limbah yang dibuang sembarangan ke perairan. Kualitas air bisa diukur dengan berbagai parameter, dan pendekatan machine learning dapat digunakan untuk klasifikasi kualitas air. Salah satu metode yang efektif adalah XGBoost, sebuah varian gradient tree boosting yang mampu meningkatkan akurasi prediksi dengan mengurangi overfitting. Penelitian sebelumnya telah menunjukkan bahwa XGBoost memiliki performa yang baik dalam klasifikasi, bahkan mengungguli beberapa algoritma lain seperti Naïve Bayes dan Random Forest dalam konteks tertentu. Penelitian ini juga bertujuan untuk mengukur akurasi algoritma XGBoost dalam melakukan klasifikasi kualitas air. Hasil percobaan menunjukan dengan dataset sebanyak 2400 dengan pembagian data latih 80% dan data uji 20%, yang terdiri dari 1200 data kelas dapat diminum dan 1200 data kelas tidak dapat diminum. Akurasi yang didapat adalah 82.29%, precision 78.62%, recall 85.90% dan f1-score 82.09%.

show abstract

“…Berbagai komponen data mining antara lain kategorisasi data, integrasi data, transformasi data, diskritisasi data, dan penilaian pola. Teknik data mining digunakan dalam pemasaran, penjualan, penemuan ilmiah, pengembangan produk, prediksi data untuk mengidentifikasi hubungan tersembunyi dan tak terduga di antara data [19].…”

Section: Data Miningunclassified

Prediksi Curah Hujan Menggunakan Metode Categorical Boosting (Catboost)

Febriansyah Istianto,

Id Hadiana,

Rakhmat Umbara

2024

jati

View full text Add to dashboard Cite

Curah hujan memiliki peran krusial dalam banyak aspek kehidupan manusia dan lingkungan. Curah hujan memiliki dampak sosial dan ekonomi yang besar, termasuk kerusakan infrastruktur, banjir, dan gangguan transportasi. Banjir dan peristiwa ekstrem serupa dapat mengakibatkan kerugian jiwa dan kerusakan properti yang parah setiap tahun, dan ini dihubungkan dengan perubahan iklim yang diperkirakan akan semakin sering dan merusak di masa yang akan datang. Dalam upaya untuk memantau, mengantisipasi dan memproyeksikan terjadinya hujan, maka penelitian ini berfokus dalam memprediksi curah hujan dengan menggunakan data mining. Dalam penelitian ini, berfokus dalam penerapan metode Categorical Boosting (CatBoost) yang dapat mengelola data kategorikal secara efisien yang merupakan pengembangan dari Gradient Boosting Decision Tree (GBDT). Berdasarkan data yang diperoleh dari kaggle yang terdiri dari 23 atribut, penelitian ini akan memprediksi curah hujan. Pra-pemrosesan data melibatkan langkah-langkah seperti pembersihan data, penyeimbangan kelas, pemilihan fitur, dan pengkodean data. Pengujian menggunakan metode Categorical Boosting menghasilkan tingkat akurasi prediksi curah hujan sebesar 94,22% berdasarkan evaluasi Confusion Matrix. Penelitian ini bertujuan untuk memprediksi curah hujan dengan menggunakan metode Categorical Boosting (CatBoost).

show abstract

Data Mining Methods: A Review

Cited by 11 publications

References 0 publications

Data Mining Techniques for Predictive Classification of Anemia Disease Subtypes

Data Mining Techniques for Predictive Classification of Anemia Disease Subtypes

Algoritma Xgboost Untuk Klasifikasi Kualitas Air Minum

Prediksi Curah Hujan Menggunakan Metode Categorical Boosting (Catboost)

Contact Info

Product

Resources

About