PERBANDINGAN METODE ALGORITMA C4.5 DAN EXTREME LEARNING MACHINE UNTUK MENDIAGNOSIS PENYAKIT JANTUNG KORONER

  • Jefri Junifer Pangaribuan Universitas Pelita Harapan
  • Cathlin Tedja Universitas Pelita Harapan Medan Campus
  • Sentosa Wibowo Universitas Pelita Harapan Medan Campus

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).
Published
Aug 30, 2019
How to Cite
PANGARIBUAN, Jefri Junifer; TEDJA, Cathlin; WIBOWO, Sentosa. PERBANDINGAN METODE ALGORITMA C4.5 DAN EXTREME LEARNING MACHINE UNTUK MENDIAGNOSIS PENYAKIT JANTUNG KORONER. Journal of Informatics Engineering Research and Technology, [S.l.], v. 1, n. 1, aug. 2019. ISSN -. Available at: <https://ejournal-medan.uph.edu/index.php/iert/article/view/305>. Date accessed: 28 may 2023.
Section
Articles