PERBANDINGAN METODE ALGORITMA C4.5 DAN EXTREME LEARNING MACHINE UNTUK MENDIAGNOSIS PENYAKIT JANTUNG KORONER
Abstract
Menurut World Health Organization (WHO) peningkatan penyakit kardiovaskuler meningkat sebanyak 28% per tahun dan akan semakin bertambah setiap tahunnya bila tidak di diagnosis penyakit tersebut. Pada tahun 2015, menurut World Health Organization (WHO) menyebutkan bahwa terdapat 17.5 juta orang di dunia meninggal akibat penyakit kardiovaskular atau 31% dari kematian di seluruh dunia, dan di Indonesia sendiri angka kematian yang disebabkan penyakit kardiovaskukar adalah 7,4 juta (42.3%) diantaranya disebabkan oleh penyakit jantung koroner (PJK). Penyakit Jantung koroner merupakan penyakit yang disebabkan karena penyempitan arteri koroner. Terdapat berbagai metode yang dapat digunakan untuk mendiagnosa apakah seseorang terkena penyakit jantung koroner atau tidak yaitu dengan menggunakan metode jaringan saraf tiruan. Penelitian ini mengimplementasikan suatu metode yaitu Extreme Learning Machine (ELM). Extreme Learning Machine merupakan jaringan saraf tiruan feed-forward dengan satu atau lebih hidden layer yang dikenal dengan istilah single hidden layer feed-forward neural. Algortima C4.5 adalah salah satu algoritma yang dapat digunakan untuk membuat pohon keputusan (decision tree). Setelah eksperimen dilakukan menggunakan metode algoritma C4.5 mampu memberikan hasil diagnosis yang sangat baik. Dengan menggunakan confusion matrix, didapatkan tingkat akurasi yang menunjukkan bahwa algoritma C4.5 memiliki nilai 1.27 kali lebih baik dibandingkan dengan extreme learning machine (ELM).References
I. Soeharto, "Kolestrol dan Lemak Jahat, Kolestrol dan Lemak Baik serta Proses Terjadinya Serangan Jantung dan Stroke," 2001.
Gambbeta and Windy, "Pohon Keputusan (Decision Tree)," Departemen Teknik Informatika Institute Teknologi Bandung, 2012.
Vercellis, "Business Intelligence: Data Mining and Optimization for Decision Making," 2009.
B. Max, "Principles of Data Mining," Springer Science, 2007.
Huang, Zhu and Siew, "Extreme Learning Machine: Theory and Applications," Neurocomputing Vol. 70, pp. 489-501, 2006.
J. J. Pangaribuan, "Mendiagnosis Penyakit Diabetes Melitus Dengan Menggunakan Metode Extreme Learning Machine," ISD Vol. 2 No. 2, pp. 2528-5114, 2016.
G. Zhang, B. Pattuwo and M. Hu, "Forecasting with Artificial Neural Networks: The State of the Art," Elsevier International Journal of Forecasting 14 (1998), pp. 35-62, 1997.
C. A. Sun and Yu, "Sales Forecasting using Extreme Learning Machine with Application in Fashion Retailing," Elsevier Decision Support System 46, pp. 411-419, 2008.
Gambbeta and Windy, "Pohon Keputusan (Decision Tree)," Departemen Teknik Informatika Institute Teknologi Bandung, 2012.
Vercellis, "Business Intelligence: Data Mining and Optimization for Decision Making," 2009.
B. Max, "Principles of Data Mining," Springer Science, 2007.
Huang, Zhu and Siew, "Extreme Learning Machine: Theory and Applications," Neurocomputing Vol. 70, pp. 489-501, 2006.
J. J. Pangaribuan, "Mendiagnosis Penyakit Diabetes Melitus Dengan Menggunakan Metode Extreme Learning Machine," ISD Vol. 2 No. 2, pp. 2528-5114, 2016.
G. Zhang, B. Pattuwo and M. Hu, "Forecasting with Artificial Neural Networks: The State of the Art," Elsevier International Journal of Forecasting 14 (1998), pp. 35-62, 1997.
C. A. Sun and Yu, "Sales Forecasting using Extreme Learning Machine with Application in Fashion Retailing," Elsevier Decision Support System 46, pp. 411-419, 2008.
Downloads
Published
2019-08-30
Issue
Section
Articles
License
Penulis yang menerbitkan jurnal ini menyetujui persyaratan berikut:
- Penulis memiliki hak cipta dan memberikan hak untuk publikasi pertama jurnal dengan karya yang secara simultan dilisensikan di bawah Creative Commons Attribution License yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepengarangan karya dan publikasi awal dalam jurnal ini.
- Penulis dapat membuat perjanjian kontrak tambahan yang terpisah untuk distribusi non-eksklusif versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan atas publikasi awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, dalam repositori institusional atau di situs web mereka) sebelum dan selama proses pengajuan, karena dapat menyebabkan pertukaran yang produktif, serta kutipan yang lebih awal dan lebih besar dari karya yang diterbitkan (Lihat Pengaruh Akses Terbuka).
