Optimasi Akurasi Algoritma C4.5 Berbasis Particle Swarm Optimization dengan Teknik Bagging pada Prediksi Penyakit Ginjal Kronis

Authors

  • Ita Yulianti Universitas Bina Sarana Informatika
  • Rizal Amegia Saputra Universitas Bina Sarana Informatika
  • Muhammad Sukrisno Mardiyanto Institut Teknologi Batam
  • Ami Rahmawati Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.33633/tc.v19i4.3579

Keywords:

Algoritma C4.5, PSO, Bagging, Ginjal, Penyakit Ginjal Kronis

Abstract

Penyakit Ginjal Kronis merupakan penyakit dengan tingkat pengeluaran biaya terbesar di dunia. Penyakit tersebut sering kali tidak menunjukkan adanya gejala yang terjadi seperti penyakit pada umumnya. Oleh karena itu, penelitian ini dilakukan dengan tujuan agar dapat mendeteksi dini penyakit tersebut sebelum didiagnosis ke tahap yang lebih serius. Penerapan model algoritma C4.5 individual dan algoritma C4.5 berbasis PSO dengan teknik bagging dilakukan guna mengetahui model mana yang memberikan hasil terbaik dalam mendeteksi penyakit ginjal kronis. Pemilihan kedua model tersebut dipertimbangkan karena algoritma C4.5 merupakan salah satu algoritma terbaik data mining, namun cenderung memiliki kelemahan pada data yang overlap, kelas dan atribut yang banyak. Maka dari itu, teknik optimasi Particle Swarm Optimization (PSO) dan teknik bagging juga dipilih sebagai alternatif dalam mengatasi kelemahan yang ada dalam algoritma C4.5. Dari hasil penelitian diperoleh bahwa model algoritma C4.5 berbasis PSO dengan teknik bagging mampu menyeleksi atribut sehingga dapat meningkatkan nilai akurasi yang lebih baik dengan hasil sebesar 99,70% dibandingkan dengan model individual algoritma C4.5 yang menghasilkan nilai akurasi sebesar 91,72% saja.

References

A. Hamidi and K. Kusnadi, “Sistem Pakar Untuk Mendiagnosa Penyakit Gagal Ginjal,” J. Digit, vol. 4, no. 2, pp. 149–160, 2014.

H. Amalia, “Perbandingan Metode Data Mining Svm Dan Nn Untuk Klasifikasi Penyakit Ginjal Kronis,” J. Pilar Nusa Mandiri, vol. 14, no. 1, pp. 1–6, 2018, doi: https://doi.org/10.33480/pilar.v14i1.80.

F. A. Tarigan, “Sistem Pakar Untuk Mendiagnosa Penyakit Ginjal dengan Metode Backward Chaining,” J. TIMES, vol. III, no. 2, pp. 25–29, 2014.

Kementerian Kesehatan RI, Riset Kesehatan Dasar. Jakarta: Badan Penelitian dan Pengembangan Kesehatan Kementerian Kesehatan RI, 2013.

Pusat Data dan Informasi Kementerian Kesehatan RI, Situasi Penyakit Ginjal Kronik di Indonesia. Jakarta: Pusat Data dan Informasi Kementerian Kesehatan RI, 2017.

Parul Sinha and Poonam Sinha, “Comparative Study of Chronic Kidney Disease Prediction using KNN and SVM,” Int. J. Eng. Res., vol. V4, no. 12, pp. 608–612, 2015, doi: 10.17577/ijertv4is120622.

B. V. Ravindra, N. Sriraam, and M. Geetha, “Classification of nonchronic and chronic kidney disease using SVM neural networks,” Int. J. Eng. Technol., vol. 7, no. 1, pp. 191–194, 2018, doi: 10.14419/ijet.v7i1.3.10669.

R. Rianto and N. M. S. Iswari, “Rancang Bangun Aplikasi Pendeteksi Penyakit Ginjal Kronis dengan Menggunakan Algoritma C4.5,” J. Ultim., vol. 9, no. 1, pp. 10–18, 2017, doi: 10.31937/ti.v9i1.558.

P. M. Hasugian, “Pengujian algoritma c 4.5 dengan aplikasi weka dalam pembentukan pohon keputusan,” J. Matik Penusa, vol. 22, no. 1, pp. 7–10, 2018.

R. S. Rohman, R. A. Saputra, and D. A. Firmansaha, “Komparasi algoritma c4.5 berbasis pso dan ga untuk diagnosa penyakit stroke,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 1, pp. 155–161, 2020.

R. A. Zuama and I. A. Sobari, “Neural Network Optimization With Particle Swarm Optimization and Bagging Methods on Classification of Single Pap Smear Image Cells,” J. Pilar Nusa Mandiri, vol. 16, no. 1, pp. 129–134, 2020, doi: 10.33480/pilar.v16i1.1308.

T. Arifin, “Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear,” J. Inform., vol. 4, no. 2, pp. 155–162, 2017, doi: 10.31311/JI.V4I2.2129.

Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2017.

D. Nofriansyah, Konsep Data Mining VS Sistem Pendukung Keputusan. Yogyakarta: Deepublish, 2014.

Kusrini and E. T. Luthfi, Algoritma Data Mining. Yogyakarta: CV. Andi Offset, 2009.

D. T. Larose and C. D. Larose, Discovering Knowledge In Data: An Introduction To Data Mining-Second Edition (2nd Ed.). New Jersey: John Wiley & Sons, Inc, 2014.

M. Yusa, E. Utami, and E. Luthfi. Taufiq, “Evaluasi Performa Algoritma Klasifikasi Decision Tree Id3 ,” InfoSys J., vol. 4, no. 1, pp. 23–34, 2016.

E. H. Hasibuan, H. Mawengkang, and S. Efendi, “Optimization Of Feature Weight TheVoting Feature Intervals 5 Algorithm Using Partical Swarm Optimization Algorithm Optimization Of Feature Weight TheVoting Feature Intervals 5 Algorithm Using Partical Swarm Optimization Algorithm.”

L. A. Utami, “Melalui Komparasi Algoritma Support Vector Machine Dan K-Nearest Neighbor Berbasis Particle Swarm Optimization,” J. Pilar Nusa Mandiri, vol. 13, no. 1, pp. 103–112, 2017.

I. H. Laradji, M. Alshayeb, and L. Ghouti, “Software defect prediction using ensemble learning on selected features,” Inf. Softw. Technol., vol. 58, pp. 388–402, 2015, doi: 10.1016/j.infsof.2014.07.005.

R. S. Wahono and N. Suryana, “Combining particle swarm optimization based feature selection and bagging technique for software defect prediction,” Int. J. Softw. Eng. its Appl., vol. 7, no. 5, pp. 153–166, 2013, doi: 10.14257/ijseia.2013.7.5.16.

X. Y. Liu and Z. H. Zhou, Ensemble methods for class imbalance learning. 2013.

Downloads

Published

2020-11-26