Seleksi Fitur Menggunakan Penambangan Data Berbasis Variable Precision Rough Set (VPRS) untuk Diagnosis Penyakit Jantung Koroner
DOI:
https://doi.org/10.26555/jiteki.v3i2.8072Abstract
Penyakit jantung koroner merupakan penyakit yang banyak menyebabkan kematian pada manusia. Penyakit ini terjadi ketika terdapat atherosclerosis (timbunan lemak) yang menghalangi aliran darah ke otot jantung pada arteri koronaria. Metode gold standard yang menjadi rujukan para dokter untuk mendiagnosis penyakit jantung koroner adalah coronary angiography. Namun metode ini invasisve, mempunyai resiko tinggi dan mahal. Tujuan penelitian ini adalah melakukan diagnosis penyakit jantung koroner berbasis komputer menggunakan data mining dengan melakukan seleksi fiture dan melakukan klasifikasi pada dataset penyakit jantung Cleveland. Pada penelitian ini, menggunakan metode seleksi fitur berbasis pakar medis (MFS) dan juga menggunakan metode seleksi fitur berbasis komputer yaitu metode seleksi fiture menggunakan metode data mining berbasis teori Varible Precision Rough Set (VPRS) yang merupakan pengembangan dari teori Rough Set. Pada penelitian ini, studi literature tentang metode seleksi fiture berbasis pakar medis atau motivated feature selection (MFS) dan metode seleksi fitur berbasis komputer yaitu berbasis teori VPRS dilakukan. Penggabungan metode seleksi fitur berbasis pakar medis dan komputer juga dilakukan agar dapat menghindari terhapusnya fitur-fitur yang dianggap penting oleh pakar medis. Pada akhirnya, proses seleksi fitur basis komputer yaitu VPRS dan penggabungan VPRS dengan MFS mampu meningkatkan performa klasifikasi secara signifikan untuk mendiagnosis penyakit jantung koroner, dilihat dari lebih sedikitnya jumlah rule yang dihasilkan dan nilai hasil akurasi yang lebih baik dibandingkan dengan klasifikasi tanpa seleksi fitur.
References
WHO, “Cardiovascular diseases (CVDs),†2015. [Online]. Available: http://www.cdc.gov/heartdisease/. [Accessed: 05-Feb-2015].
B. L. Zaret, M. Moser, and E. K. Hunt, Yale University School of Medicine Heart Book. New York, 1992.
R. A. Pramunendar, I. N. Dewi, and H. Asari, “Penentuan Prediksi Awal Penyakit Jantung Menggunakan Algoritma Back Propagation Neural Network dengan Metode Adaboost,†vol. 2013, no. November, pp. 298–304, 2013.
T. J. Peter and K. Somasundaram, “Study and development of novel feature selection framework for heart disease prediction,†Int. J. Sci. Res. Publ., vol. 2, no. 10, pp. 1–7, 2012.
J. Soni, U. Ansari, D. Sharma, and S. Soni, “Predictive Data Mining for Medical Diagnosis: An Overview of Heart Disease Prediction,†Int. J. Comput. Appl., vol. 17, no. 8, pp. 43–48, 2011.
R. C. Holte, “Very simple classification rules perform well on most commonly used datasets,†no. 1988, pp. 63–91, 1993.
M. Kumari and S. Godara, “Comparative Study of Data Mining Classification Methods in Cardiovascular Disease Prediction,†Ijcst, vol. 4333, no. 2229, pp. 304–308, 2011.
W. W. Cohen, “Fast effective rule induction,†Proc. Twelfth Int. Conf. Mach. Learn., pp. 115–123, 1995.
H. Chen, S. Y. Huang, P. S. Hong, C. H. Cheng, and E. J. Lin, “HDPS: Heart disease prediction system,†2011 Comput. Cardiol., pp. 557–560, 2011.
A. Rachman, A. B. Nurulniza, and C. P. Utomo, “Diagnosa Penyakit Jantung Menggunakan Teknik Automatic Post Pruning Decision Tree,†J. Sist. Inf., vol. 5, no. 2, pp. 132–137, 2014.
Dwi Wahyu Prabowo, “Seleksi Fitur Berbasis Komputer Untuk Diagnosis Penyakit Jantung Koroner,†University of Gadjah Mada, 2014.
D. Normawati, “Diagnosis penyakit jantung koroner menggunakan penambangan data berbasis variable precision rough set (vprs) dan repeated incremental pruning to produce error reduction (ripper),†university of gajah mada, 2015.
C. T. Su and J. H. Hsu, “Precision parameter in the variable precision rough sets model: An application,†Omega, vol. 34, no. 2, pp. 149–157, 2006.
R. P. Sanjaya, “Deteksi Penyakit Jantung Koroner Menggunakan Model Variable Precision Rough Set dan Logika Fuzzy,†University of Gadjah Mada, 2014.
B. . Tripathy, D. . Acharjya, and V. Cynthya, “A Framework for Intelligent Medical Diagnosis Using Rough Set with Formal Concept Analysis,†Int. J. Artif. Intell. Appl., vol. 2, no. 2, pp. 45–66, 2011.
UCI, “Heart Disease Dataset,†2017. [Online]. Available: https://archive.ics.uci.edu/ml/machine-learning-databases/heart-disease/. [Accessed: 24-Mar-2017].
Fathul Ihsan and Noor Akhmad Setiawan, “Perbandingan Metode Diskretisasi Untuk Berbagai Macam Algoritma Machine Learning,†University of Gadjah Mada, 2013.
T. Herawan, W. Maseri, W. Mohd, and A. Noraziah, “Applying Variable Precision Rough Set for Clustering Diabetics Dataset.â€
W. Ziarko, “Probabilistic Decision Tables in the Variable Precision Rough Set Model,†Comput. Intell., vol. 17, no. 3, pp. 593–603, 2001.
W. Ziarko, “Variable Precision Rough Set,†1993.
W. Ziarko, “Variable precision rough set model,†J. Comput. Syst. Sci., vol. 46, no. 1, pp. 39–59, 1993.
T. Fawcett, “An introduction to ROC analysis,†Pattern Recognit. Lett., vol. 27, no. 8, pp. 861–874, 2006.
Downloads
Published
Issue
Section
License
Authors who publish with JITEKI agree to the following terms:
- Authors retain copyright and grant the journal the right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
This work is licensed under a Creative Commons Attribution 4.0 International License