Aplikasi Anamnesis Berdasarkan Gejala Menggunakan Frequent Pattern Tree Growth

Fachreza, Kevin Alif (2018) Aplikasi Anamnesis Berdasarkan Gejala Menggunakan Frequent Pattern Tree Growth. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
05111440000128-Undergraduate_Theses.pdf - Published Version
Restricted to Repository staff only until July 2020.

Download (1MB)

Abstract

Machine learning merupakan salah satu bidang di teknologi informasi yang sedang naik daun. Teknologi ini dimanfaatkan diberbagai bidang kehidupan manusia, mulai dari perbankan, transportasi, sosial media, termasuk kesehatan. Potensi pemanfaatan machine learning pada bidang kesehatan sangatlah besar. Salah satunya adalah diagnosis penyakit. Diagnosis penyakit atau dikenal dengan tahap anamnesis pada kedokteran adalah suatu proses dimana dokter akan menanyakan kepada pasien gejala gejala yang dialami pasien. Sehingga dokter dapat memperkecil kemungkinan penyakit yang mungkin dialami pasien dan melakukan tes penunjang seperti lab atau radiologi untuk mendapatkan keputusan diagnosis final. Banyak aplikasi yang dapat mendiagnosis penyakit, akan tetapi user experience yang buruk menyebabkan diagnosis meleset. Aplikasi tersebut biasanya akan meminta pengguna untuk memasukkan gejala mereka baik teks maupun berupa checkboxes. Padahal pasien tidak terlalu mengetahui gejala gejala spesifik atau yang berkorelasi yang dapat membantu dokter dalam mendiagnosis penyakit secara signifikan. Aplikasi yang dibuat pada tugas akhir ini akan berfokus pada proses anamnesis, proses dimana pasien memberikan informasi gejala yang dialami dengan spesifik dan sejelas mungkin. Sehingga dokter dapat memberikan diagnosis yang lebih baik. Untuk menyelesaikan masalah tersebut, akan digunakan algoritma Frequent Pattern Tree Growth (FP Tree), yaitu salah satu metode association rules dimana algoritma ini dapat memetakan gejala gejala yang berkaitan, sehingga aplikasi dapat menanyakan gejala yang mungkin dialami oleh pasien berdasarkan gejala yang telah dimasukkan sebelumnya oleh pasien. Dengan jumlah diagnosis penyakit sebanyak 66 penyakit, aplikasi ini memberikan hasil yang cukup baik. Dibuktikan dengan skenario pengujian dengan 198 data menghasilkan rata rata akurasi sebesar 69% dengan classifier Naïve Bayes. Dan rata rata akurasi sebesar 67% dengan classifier Support Vector Machine. Aplikasi juga diujikan kepada dokter spesialis dan mengatakan bahwa aplikasi memiliki kinerja baik pada proses anamnesis dan memberikan diagnosis yang sebagian besar sudah sesuai. ============= Machine learning is currently one of the promising tech. This technology can be used in any fields, banking, transportation, social media, include health. Machine learning has a huge potency in health industry. One of them is diseases diagnosis. Diseases diagnosis or known as anamnesis in medical is a process where doctor will ask the patient about the symptoms or experience that patient felt. So doctor can narrow the possibility of diseases that the patient may suffer and do some lab and radiology tests to get final diagnosis decision There is a lot app that able to diagnose diseases, but with bad user experience made the diagnosis went fumble. Those apps will asks user to input their symptoms using text or checkboxes. Whereas patients do not really know the specific symptoms or the symptoms that correlated to their main symptoms which can help doctor to diagnose disease significantly. The app that made for this final project focused on anamnesis, where patients give information about their symptoms specifically and clearly. So doctor can give better diagnosis decision. To solve that problem, Frequent Pattern Tree Growth algorithm was used, Frequent Pattern Tree Growth is one of the association rules methods where this algorithm can map which symptoms is related to other symptoms, so the app can ask the next symptoms based on the previous symptoms that inputted by user. With 66 diagnoses, this app gave a pretty good result. Proven by scenarios of testing with 198 datas, yielding 69% average accuracy with classifier Naïve Bayes. And 67% average accuracy with classifier Support Vector Machine. This app also tested to a doctor specialist and said that the app gave good result in anamnesis and diagnoses that given by the app were mostly correlated based on anamnesis input.

Item Type: Thesis (Undergraduate)
Additional Information: RSIf 005.1 Fac a
Uncontrolled Keywords: Frequent Pattern Tree Growth, anamnesis, diagnosis, Naïve Bayes, Support Vector Machine
Subjects: Q Science > QA Mathematics > QA76.9.D343 Data mining
R Medicine > R Medicine (General)
Divisions: Faculty of Information and Communication Technology > Informatics > (S1) Undergraduate Theses
Depositing User: Fachreza Kevin Alif
Date Deposited: 18 Feb 2019 03:11
Last Modified: 18 Feb 2019 03:11
URI: http://repository.its.ac.id/id/eprint/53674

Actions (login required)

View Item View Item