IMPLEMENTASI FUZZY DECISION TREE UNTUK PREDIKSI PENYAKIT LIVER PADA DATASET ILPD (INDIAN LIVER PATIENT DATASET)
DOI:
https://doi.org/10.31961/positif.v5i2.773Abstrak
Hati manusia adalah salah satu organ utama dalam tubuh dan penyakit liver dapat menyebabkan banyak masalah dalam kehidupan manusia. Hati mengubah zat beracun menjadi nutrisi dan kemudian tubuh menggunakannya untuk mengendalikan tingkat hormon dalam tubuh. Prediksi penyakit liver yang cepat dan akurat memungkinkan perawatan dini dan efektif. Perkembangan dari teknologi komputer membuat pekerjaan diagnosis atau pengambilan keputusan menjadi lebih mudah. Di dalam machine learning memungkinkan sebuah komputer mampu untuk memutuskan atau memberikan saran yang tepat. Uji coba telah dilakukan menggunakan algoritme fuzzy decision tree dengan menggunakan beberapa nilai threshold yaitu fuzziness control threshold (ðÂœƒð‘Ÿ) dan leaf decision threshold (ðÂœƒð‘›) yang telah di tentukan dengan metode uji coba 10-fold cross validation dan diperoleh hasil akurasi sebesar 78.95%. Dikarenakan akurasi tersebut di peroleh di beberapa nilai threshold yang berbeda, maka untuk mengetahui kinerja akurasi yang baik digunakanlah metode receiver operating characteristics (ROC) sehingga hasil ROC menunjukkan bahwa akurasi yang paling optimal 78.95% berada saat ðÂœƒð‘Ÿ=75%,77%,80%,82%,85%, 87%,90%,92%,95%,98% dan ðÂœƒð‘›=6%.
Kata Kunci: Penyakit Liver, Fuzzy Decision Tree, K-Fold Cross Validation dan Receiver Operating Characteristics
Unduhan
Referensi
Aggarwal, C. C. (2015). Data Mining The Textbook. New York: Springer.
Fawcett, T. (2005). An introduction to ROC analysis. Elsevier, 14.
Fuadi, M. R. (2017). Panduan Belajar Patologi Klinik. Surabaya: Airlangga University Press.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques Third Edition. Waltham: Elsevier.
Hanik, U. (2011). Fuzzy Decision Tree dengan Algoritma C4.5 pada Data Diabetes Indian Pima (Januari 2011). 1-8.
Khamidah, F. S., Hapsari, D., & Nugroho, H. (2018). Implementasi Fuzzy Decision Tree Untuk Prediksi Gagal Ginjal Kronis. INTEGER: Journal of Information Technology, 19-28.
Liang, G. (2005). A comparative study of three Decision Tree Algoritms: ID3, Fuzzy ID3, and Probabilistic Fuzzy ID3. 1-62.
Refaeilzadeh, P., Tang, L., & Liu, H. (2008). Cross-Validation. 1-6.
Romansyah, F., Sitanggang, I. S., & Nurdiati, S. (2009). Fuzzy Decision Tree dengan Algoritme ID3 pada Data Diabetes. INTERNETWORKING INDONESIA JOURNAL, 1-8.
Suyanto. (2008). Soft Computing Membangun Mesin Ber-IQ TInggi. Bandung: Informatika Bandung.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Penulis yang menerbitkan dengan Positif : Jurnal Sistem dan Teknologi Informasi menyetujui persyaratan berikut:
- Penulis memegang hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
- Penulis dapat masuk ke dalam pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan publikasi awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif, serta kutipan lebih awal dan lebih besar dari karya yang diterbitkan.
This work is licensed under a Creative Commons Attribution 4.0 International License.