Prediksi penyakit ginjal kronis menggunakan metode pengurangan fitur Symetrical Uncertainty

Isi Artikel Utama

Muhamad Kurniawan

Abstrak




Data mining berhubungan dengan pencarian data untuk menemukan pola atau pengetahuan da- ri data keseluruhan. Data mining dapat digunakan untuk memprediksi suatu keadaan, seperti apakah seseorang terkena penyakit ginjal kronis atau tidak. Dalam penelitian ini metode pengu- rangan fitur symmetrical uncertainty dengan algoritma klasifikasi Gradient Boosting, Random Forest, Support Vector Machine, dan Naïve Bayes digunakan untuk memprediksi penyakit ginjal kronis. Jumlah atribut yang diklasifikasi adalah 24, 12, 6, 5, dan 4 atribut. Peningkatan nilai akurasi didapatkan pada pengurangan atribut dari 24 ke 12 dengan algoritma Naïve Bayes. Se- lain itu, diperoleh Support Vector Machine memiliki akurasi terbaik pada semua jumlah atribut, diikuti Gradient Boosting, Random Forest, dan Naïve Bayes. Pada klasifikasi 5 atribut, terlihat algoritma Support Vector Machine dan Gradient Boosting masih memiliki akurasi 1. Kelima atribut tersebut antara lain: hemoglobin, packed cell volume, serum creatinine, albumin, dan specifity gravity. Pengurangan atribut dapat meningkatkan akurasi dan dapat memudahkan proses prediksi karena jumlah atribut lebih sedikit.





Belum ada

Rincian Artikel

Cara Mengutip
“Prediksi Penyakit Ginjal Kronis Menggunakan Metode Pengurangan Fitur Symetrical Uncertainty”. 2020. JNANALOKA 1 (1): 1-10. https://doi.org/10.36802/jnanaloka.2020.v1-no1-1-10.
Bagian
Articles

Cara Mengutip

“Prediksi Penyakit Ginjal Kronis Menggunakan Metode Pengurangan Fitur Symetrical Uncertainty”. 2020. JNANALOKA 1 (1): 1-10. https://doi.org/10.36802/jnanaloka.2020.v1-no1-1-10.

Referensi

1. The Global Burden of Disease: Generating Evidence, Guiding Policy., Institute for Health Metrics and Evaluation, Seattle, WA: IHME, 2013.

2 Situasi Penyakit Ginjal Kronis, Pusat Data dan Informasi Kementrian Kesehatan Repu- blik Indonesia, Jl. HR Rasuna Said Blok X5 Kav. 4-9 Lantai 6 Blok C Jakarta Selatan, 2017.

2. Pusat Data dan Informasi Kementerian Kesehatan RI, “Situasi Penyakit Ginjal Kronis,” South Jakarta, 2017.

3. T. Di Noia et al., “An end stage kidney disease predictor based on an artificial neural networks ensemble,” Expert Syst. Appl., vol. 40, no. 11, pp. 4438–4445, 2013.

4. V. S and D. S, “Data Mining Classification Algorithms for Kidney Disease Prediction,” Int. J. Cybern. Informatics, vol. 4, no. 4, pp. 13–25, 2015.

5. I. A. Pasadana et al., “Chronic Kidney Disease Prediction by Using Different Decision Tree Techniques,” J. Phys. Conf. Ser., vol. 1255, p. 012024, 2019.

6. N. Tangri et al., “A predictive model for progression of chronic kidney disease to kidney failure,” JAMA - J. Am. Med. Assoc., vol. 305, no. 15, pp. 1553–1559, 2011.

7. L. Jena and N. K. Kamila, “Distributed Data Mining Classification Algorithms for Prediction of Chronic-Kidney-Disease,” Int. J. Emerg. Res. Manag. &Technology, vol. 9359, no. 11, pp. 2278–9359, 2015.

8. A. Salekin and J. Stankovic, “Detection of Chronic Kidney Disease and Selecting Important Predictive Attributes,” Proc. -2016 IEEE Int. Conf. Healthc. Informatics,
ICHI 2016, pp. 262–270, 2016.

9. T. S, M. B. B. G, and J. Majumdar,
“Analysis and Prediction of Chronic Kidney Disease using Data Mining Techniques,” Int. J. Eng. Res. Comput. Sci. Eng., vol. 4, no. 9, 2017.

10. M. Z. F. Nasution, O. S. Sitompul, and M. Ramli, “PCA based feature reduction to improve the accuracy of decision tree c4.5 classification,” J. Phys. Conf. Ser., vol. 978, no. 1, 2018.

11. H. Xie, J. Li, Q. Zhang, and Y. Wang, “Comparison among dimensionality reduction techniques based on Random Projection for cancer classification,” Comput. Biol. Chem., vol. 65, no. September, pp. 165–172, 2016.

12. A. Saikhu, A. Z. Arifin, and C. Fatichah, “Correlation and symmetrical uncertainty- based feature selection for multivariate time series classification,” Int. J. Intell. Eng. Syst., vol. 12, no. 3, pp. 129–137, 2019.

13. A. L. and M. Wiener, “Classification and Regression by randomForest.,” vol. 3, no. December 2002, pp. 18–22, 2003.

14. R. Caruana, “An Empirical Evaluation of Supervised Learning in High Dimensions,” 2008.

15. T. G. Stewart, D. Zeng, and M. C. Wu, “Constructing support vector machines with missing data,” Wiley Interdiscip. Rev. Comput. Stat., vol. 10, no. 4, pp. 1–27, 2018.

Artikel Serupa

Anda juga bisa Mulai pencarian similarity tingkat lanjut untuk artikel ini.