Publisher

UNITOMOUNITOMO

Journal Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan KomunikasiInform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi Abstract

Model prediksi telah digunakan di berbagai bidang seperti kesehatan, pendidikan, dan industri. Sistem ini dapat menghubungkan berbagai data yang dikumpulkan untuk digunakan sebagai pembelajaran sistem dalam menyelesaikan masalah yang serupa dengan data yang digunakan sebagai pembelajaran. Model prediksi melibatkan berbagai elemen seperti matematika, machine learning, dan statistika. Penyakit jantung tetap menjadi penyebab utama kematian di seluruh dunia, dan model prediksi yang akurat sangat penting untuk deteksi dini dan pengobatan. Namun, model yang ada sering kali mengalami kesulitan dengan ketidakseimbangan dataset, yang menyebabkan kinerja suboptimal. Penelitian ini bertujuan untuk membandingkan kinerja model Decision Tree dan Artificial Neural Network (ANN), termasuk varian Elman dan Jordan, untuk mengidentifikasi model prediksi yang paling cocok untuk penyakit jantung dengan studi kuantitatif. Jenis ANN yang digunakan adalah multi-layer dengan model Elman dan Jordan. Namun, analisis komparatif objek penyakit jantung dilakukan menggunakan metode K-Nearest Neighbor (KNN) dan Naïve Bayes, yang menghasilkan Naïve Bayes lebih baik daripada KNN. Dari semua proses yang telah dilakukan, peneliti memperoleh hasil dari akurasi, presisi, recall, dan F1-score, yang diklasifikasikan sebagai buruk, dengan rata-rata 55%. Model Decision Tree mencapai rata-rata akurasi 79%, sementara jaringan Elman dan Jordan mencapai 87% dan 86% masing-masing. Namun, presisi, recall, dan F1-score relatif rendah, dengan rata-rata 55%, kemungkinan disebabkan oleh ketidakseimbangan dataset. Hasil akurasi yang diperoleh juga tidak selalu berbanding lurus dengan jumlah data yang digunakan. Ada penurunan yang signifikan pada awal proses, tetapi akurasi yang diperoleh terus meningkat hingga semua data digunakan. Selain itu, ada lonjakan presisi hingga 80% pada beberapa proses implementasi dengan model prediksi. Berdasarkan hasil yang diperoleh dalam proses implementasi, dapat dikatakan bahwa jaringan Elman unggul dibandingkan metode lain ketika menggunakan patokan akurasi. Namun, hasil presisi, recall, dan F1-score yang relatif rendah menunjukkan kinerja model yang kurang memadai.

Conclusion

Penyakit jantung adalah penyebab utama kematian di seluruh dunia, sehingga diperlukan pengembangan model prediksi yang dapat membantu dalam diagnosis dini dan intervensi.Penelitian ini bertujuan untuk mengevaluasi berbagai model machine learning untuk memprediksi potensi penyakit jantung pada manusia menggunakan dataset yang diperoleh dari Kaggle.Ketika diterapkan pada berbagai jumlah data, fokus penelitian ini adalah menentukan akurasi dan keandalan model yang berbeda, termasuk Decision Tree, Elman Network, dan Jordan Network.Dataset penelitian ini terkait dengan potensi penyakit jantung pada manusia.Dataset ini diperoleh melalui Kaggle dan terdiri dari 3000 data CSV.Sebagai bentuk proses yang dilakukan sebelum merancang model, data dinormalisasi melalui proses pre-processing dan kemudian dibagi menjadi data training dan testing dengan rasio 70.Pada tahap pengujian model, peneliti melakukan hipotesis menggunakan 500 data terlebih dahulu dan kemudian menambahkannya hingga seluruh dataset.Hal ini dilakukan untuk menguji kinerja model dengan jumlah data yang berbeda.Berdasarkan hasil, jumlah dataset yang digunakan tidak selalu berbanding lurus dengan akurasi yang diperoleh model melalui proses confusion matrix.Rata-rata hasil akurasi yang diperoleh oleh model Decision Tree adalah 79%, Elman Network adalah 86%, dan Jordan Network adalah 85%.Melihat hasil akurasi yang diperoleh oleh kedua model, jaringan Elman menunjukkan keunggulan dibandingkan model lainnya.Hal ini didukung oleh rata-rata peningkatan presisi, recall, dan F1-score untuk setiap output, yang cenderung lebih tinggi daripada model lainnya.Namun, ada kesenjangan yang terlalu tinggi dalam hasil antara output 0 dan 1.Oleh karena itu, meskipun rata-rata model jaringan Elman lebih tinggi, hasil yang diperoleh melalui presisi, recall, dan F1-score masih perlu ditingkatkan karena masih di bawah batas minimum yang diperlukan.Kesimpulannya, meskipun penelitian ini memberikan wawasan berharga tentang prediksi penyakit jantung menggunakan machine learning, upaya lebih lanjut diperlukan untuk mengatasi kesenjangan yang diidentifikasi dan meningkatkan ketahanan model, memastikan aplikabilitasnya dalam diagnosis medis dunia nyata.

Future Research

Berdasarkan hasil penelitian, beberapa saran untuk penelitian lanjutan adalah: 1. Melakukan tinjauan ulang untuk menguji kedua algoritma menggunakan dataset yang lebih besar dan melakukan perbandingan hasil yang seimbang. 2. Mengembangkan model yang lebih robust dengan mempertimbangkan kesenjangan antara output 0 dan 1, sehingga hasil presisi, recall, dan F1-score dapat ditingkatkan. 3. Meneliti lebih lanjut tentang penerapan Decision Tree pada platform mobile dan membandingkannya dengan kinerja ANN, terutama dalam hal akurasi. Penelitian ini dapat memberikan wawasan tentang manfaat dan keterbatasan masing-masing model dalam aplikasi praktis.

References

1. One moment, please.... one moment please wait request verified doi.org/10.5267/j.ijdns.2019.1.003One moment please one moment please wait request verified doi 10 5267 j ijdns 2019 1 003
2. Decision tree methods: applications for classification and prediction - Shanghai Archives of Psychiatry.... shanghaiarchivesofpsychiatry.org/en/215044.htmlDecision tree methods applications for classification and prediction Shanghai Archives of Psychiatry shanghaiarchivesofpsychiatry en 215044 html
3. Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi. comparative analysis decision tree artificial... ejournal.unitomo.ac.id/index.php/inform/article/view/8631Inform Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi comparative analysis decision tree artificial ejournal unitomo ac index php inform article view 8631
4. PENERAPAN DATA MINING UNTUK PENGELOMPOKAN DATA REKAM MEDIS PASIEN BERDASARKAN JENIS PENYAKIT DENGAN ALGORITMA... jik.htp.ac.id/index.php/jik/article/view/181PENERAPAN DATA MINING UNTUK PENGELOMPOKAN DATA REKAM MEDIS PASIEN BERDASARKAN JENIS PENYAKIT DENGAN ALGORITMA jik htp ac index php jik article view 181

Metadata

File size	395.87 KB
Pages	5
DMCA	Report