Penerapan Data Mining dengan Algoritma C4.5 untuk Mengidentifikasikan Prediksi Penyakit Diabetes
Abstract
Diabetes termasuk penyakit kronis dengan angka kematian yang cukup tinggi secara global, dan sering kali baru terdiagnosis pada tahap lanjut karena gejala awalnya yang kurang mencolok. Dua penelitian ini mengembangkan pemanfaatan teknologi data mining dengan algoritma Decision Tree C4.5 untuk membentuk model prediksi dini terhadap penyakit diabetes. Data yang digunakan berasal dari repositori publik seperti UCI serta data klinis dari fasilitas kesehatan, dengan atribut-atribut klasifikasi seperti umur, jenis kelamin, berat badan, tekanan darah, detak jantung, dan kadar gula darah. Setelah melalui proses preprocessing, perhitungan entropy dan information gain, serta validasi melalui aplikasi RapidMiner, penelitian ini berhasil menghasilkan aturan klasifikasi yang mampu memprediksi risiko diabetes secara efektif. Kedua studi tersebut menunjukkan akurasi yang tinggi, masing-masing sebesar 95,51% dan 90,00%, yang menandakan bahwa algoritma C4.5 cukup andal dan memiliki potensi untuk dimanfaatkan dalam sistem pendukung keputusan medis guna mendeteksi diabetes sejak dini.
References
Castleman, Kenneth R., 2004, Digital Image Processing, Vol. 1, Ed.2, Prentice Hall, New Jersey.
Gonzales, R., P. 2004, Digital Image Processing (Pemrosesan Citra Digital), Vol. 1, Ed.2, diterjemahkan oleh Handayani, S., Andri Offset, Yogyakarta.
Wyatt, J. C, danSpiegelhalter, D., 1991, Field Trials of Medical Decision-Aids: PotentialProblems and Solutions, Clayton, P. (ed.): Proc. 15th Symposium on ComputerApplications in Medical Care, Vol 1, Ed. 2, McGraw Hill Inc, New York.
Yusoff, M, Rahman, S., A., Mutalib, S., and Mohammed, A., 2006, Diagnosing Application Development for Skin Disease Using Backpropagation Neural Network Technique, Journal of Information Technology, vol 18, hal 152-159.
Wyatt, J. C, Spiegelhalter, D, 2008, Field Trials of Medical Decision-Aids: PotentialProblems and Solutions, Proceeding of 15th Symposium on ComputerApplications in Medical Care, Washington, May 3.
Prasetya, E., 2006, Case Based Reasoning untuk mengidentifikasi kerusakan bangunan, Tesis, Program Pasca Sarjana Ilmu Komputer, Univ. Gadjah Mada, Yogyakarta.
Ivan, A.H., 2005, Desain target optimal, Laporan Penelitian Hibah Bersaing, Proyek Multitahun, Dikti, Jakarta.
Wallace, V. P., Bamber, J. C. dan Crawford, D. C. 2000. Classification of reflectance spectra from pigmented skin lesions, a comparison of multivariate discriminate analysis and artificial neural network. Journal Physical Medical Biology, No.45, Vol.3, 2859-2871.
Xavier Pi-Sunyer, F., Becker, C., Bouchard, R.A., Carleton, G. A., Colditz, W., Dietz, J., Foreyt, R. Garrison, S., Grundy, B. C., 1998, Clinical Guidlines on the identification, evaluation, and treatment of overweight and obesity in adults, Journal of National Institutes of Health, No.3, Vol.4, 123-130, :http://journals.lww.com/acsm-msse/Abstract/1998/11001/paper_treatment_of_obesity.pdf.
Borglet, C, 2003, Finding Asscociation Rules with Apriori Algorithm,http://www.fuzzy.cs.uniagdeburgde/~borglet/apriori.pdf, diakses tanggal 23 Februari 2007.
