Klasifikasi Pasien Penderita Penyakit Liver dengan Pendekatan Machine Learning

Pusporani, Elly; Qomariyah, Siti; Irhamah, Irhamah

doi:10.12962/j27213862.v2i1.6810

Cited by 8 publications

(8 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penerapan Random Forest dianggap memiliki keunggulan pada sisi penanganan outlier, efektif dalam menangani imbalance data, waktu dalam memproses komputasi lebih cepat, dan hasil akurasi yang tinggi [10]. Selain itu, penerapan metode lain seperti Naïve Bayes dianggap memiliki kelebihan yaitu perhitungan algoritmanya yang lebih sederhana namun mampu menghasilkan nilai akurasi yang tinggi untuk klasifikasi data [11]. Penerapan teknik SMOTE pada penelitian ini bertujuan untuk mengontrol distribusi data yaitu mengubah jumlah data dari kelas minoritas menjadi sebanyak jumlah data kelas mayoritas [12].…”

Section: Pendahuluanunclassified

Analisis SMOTE Pada Klasifikasi Hepatitis C Berbasis Random Forest dan Naïve Bayes

Sharfina,

Ramadhan

2023

JOINTECS

View full text Add to dashboard Cite

According to WHO, around 71 million people were infected with the Hepatitis C virus in 2019. However, only 49.7% of people are aware of Hepatitis C. Early prevention is essential to minimize the possibility of something terrible. To maximize the efforts of medical experts in minimizing the risk of transmission, a program was created that is capable of classifying Hepatitis C with an automatic detection system using a machine learning model. Random Forest was chosen because it can handle outlier and imbalance data so that it can produce high accuracy values and can identify important features. Naïve Bayes was chosen because of its simple algorithm, but capable of producing high-accuracy values. After testing both models, the confusion matrix formula calculates the prediction results. The test results show that applying the Random Forest model without SMOTE is 93%, and Naïve Bayes without SMOTE is 88%. Due to the data imbalance in the dataset, an oversampling technique is performed using the SMOTE method. The test results were obtained by applying the Random Forest model with a SMOTE of 98% and Naïve Bayes with a SMOTE of 89%.

show abstract

Section: Pendahuluanunclassified

Analisis SMOTE Pada Klasifikasi Hepatitis C Berbasis Random Forest dan Naïve Bayes

Sharfina,

Ramadhan

2023

JOINTECS

View full text Add to dashboard Cite

show abstract

“…Penelitian sebelumnya yang berkaitan dengan klasifikasi pernah dilakukan oleh Pusporani, dkk. [7] dengan judul "Klasifikasi Pasien Penderita Penyakit Liver dengan Pendekatan Machine Learning". Penelitian ini membandingkan antara metode regresi logistik, Decission Trees, Naïve Bayes, K-NN, dan SVM.…”

Section: Pendahuluanunclassified

Klasifikasi Indeks Pembangunan Gender Di Indonesia Tahun 2020 Menggunakan Supervised Machine Learning Algorithms

Indrasetianingsih¹,

Fitriani²,

Kusuma³

2021

Inferensi

View full text Add to dashboard Cite

Indeks Pembangunan Gender (IPG) merupakan indikator yang digunakan untuk menggambarkan kesenjangan pencapaian pembangunan manusia antara laki-laki dan perempuan. Capaian IPG Indonesia pada tahun 2020 sebesar 91,06. IPG dapat diklasifikasikan menjadi 2 kategori, yaitu kategori rendah jika nilai IPG kurang dari 90 dan kategori tinggi jika nilai IPG lebih besar sama dengan 90. Berdasarkan sebaran kabupaten/kota, pada tahun 2020 terdapat 280 dari 514 kabupaten/kota yang mencapai angka IPG di atas 90. Hal ini menunjukkan bahwa capaian IPG di Indonesia belum merata. Tujuan dalam penelitian ini adalah untuk mengklasifikasikan dan membandingkan hasil ketepatan klasifikasi tentang IPG di Indonesia tahun 2020 dengan menggunakan algoritma supervised machine learning yaitu Regresi Logistik Biner dan K-Nearest Neighbor (K-NN). Hasil penelitian diperoleh bahwa variabel yang berpengaruh signifikan terhadap IPG yaitu Angka Partisipasi Sekolah SMA, persentase penduduk yang mempunyai keluhan kesehatan, persentase Pegawai Negeri Sipil perempuan, sumbangan pendapatan perempuan, dan rasio jenis kelamin. Hasil perbandingan kedua metode yang digunakan menunjukkan bahwa metode terbaik untuk mengklasifikasikan IPG kabupaten/kota di Indonesia tahun 2020 yaitu menggunakan K-NN, dengan nilai akurasi, sensitivitas, spesifisitas, dan AUC yang diperoleh masing-masing sebesar 71,88%, 65,52%, 77,14%, dan 71,33%. Nilai AUC sebesar 0,7133 atau 71,33% menunjukkan bahwa hasil klasifikasi termasuk dalam tingkat klasifikasi yang baik.

show abstract

“…This disease can have serious impacts on overall health, causing organ damage, and even death. Therefore, the diagnosis and treatment of liver disease must be prompt and accurate [3].…”

Section: Introductionmentioning

confidence: 99%

Implementation of ADABOOST Algorithm on C50 for Improving the Performance of Liver Disease Classification

Anwar Sanusi,

Chrystia Aji Putra,

Fawwaz Ali Akbar

2023

J. Electr. Eng. Comput. Sci.

View full text Add to dashboard Cite

The liver is a vital organ that is important for humans because it plays a role in regulating hormone cycles, neutralizing toxins, and controlling the composition of blood. Liver disease is a common ailment worldwide. Often, this disease occurs without specific symptoms (asymptomatic). Therefore, liver disease is known as a "silent killer," and it is necessary to quickly and accurately diagnose and treat liver diseases. Data mining technology can be useful for rapidly detecting liver diseases from laboratory diagnosis results. One classification algorithm that can be used is the C50 algorithm. This algorithm is an improvement over the previous C45 algorithm, with several advantages such as efficient memory usage and more concise tree results. However, the C50 algorithm may experience overfitting on complex medical data, requiring the boosting process using AdaBoost. The AdaBoost algorithm can make the C50 algorithm more susceptible to overfitting. Another advantage of the AdaBoost algorithm is its ability to handle imbalanced datasets in terms of target labels. This research used 583 data from UCI machine learning with two target labels: liver and normal. The research results show that the C50 algorithm is capable of identification with an accuracy rate of 74.58%. Furthermore, the C50 algorithm's accuracy can be maximized by AdaBoost to reach 86.44%

show abstract

Klasifikasi Pasien Penderita Penyakit Liver dengan Pendekatan Machine Learning

Cited by 8 publications

References 3 publications

Analisis SMOTE Pada Klasifikasi Hepatitis C Berbasis Random Forest dan Naïve Bayes

Analisis SMOTE Pada Klasifikasi Hepatitis C Berbasis Random Forest dan Naïve Bayes

Klasifikasi Indeks Pembangunan Gender Di Indonesia Tahun 2020 Menggunakan Supervised Machine Learning Algorithms

Implementation of ADABOOST Algorithm on C50 for Improving the Performance of Liver Disease Classification

Contact Info

Product

Resources

About