Sistem Pendukung Keputusan Berbasis Web untuk Diagnosa Penyakit Jantung Koroner Menggunakan Algoritma Machine Learning Hybrid Decision Tree dan Naive Bayes

Nugroho, Muhammad Yogie (2020) Sistem Pendukung Keputusan Berbasis Web untuk Diagnosa Penyakit Jantung Koroner Menggunakan Algoritma Machine Learning Hybrid Decision Tree dan Naive Bayes. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 07311540000022_UnderGraduate_Theses.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Penyakit jantung koroner merupakan salah satu penyakit yang tergolong dalam penyakit kardiovaskuler. Diagnosa secara dini penyakit jantung koroner merupakan langkah yang tepat untuk mengurangi tingkat resiko kematian akibat penyakit tersebut, namun diagnosa penyakit jantung koroner cenderung sulit dilakukan dengan tepat karena tanda serta gejala yang beririsan dengan penyakit lain. Machine learning merupakan pendekatan yang dapat digunakan untuk membantu mendiagnosa penyakit jantung koroner. Pada beberapa penelitian terkait, algoritma machine learning yang digunakan hanya berfokus pada peningkatan akurasi namun tidak dapat memberikan informasi yang berguna bagi dokter. Algoritma Hybrid Decision Tree dan Naive Bayes adalah salah satu algoritma machine learning yang dapat mengatasi permasalahan tersebut. Namun, terdapat beberapa kelemahan pada pada algoritma tersebut. Pada tugas akhir ini algoritma Hybrid Decision Tree dan Naive Bayes tersebut diusulkan untuk ditingkatkan performansinya. Algoritma yang diusulkan selanjutnya diimplementasikan dalam bentuk aplikasi sistem pendukung keputusan berbasis web. Sistem pendukung keputusan dirancang dengan memperhatikan aspek multi login dan fleksibilitas sehingga dapat digunakan pada pengguna dengan hak akses berbeda. Selain itu sistem dirancang agar mudah diubah sesuai dengan data pemeriksaan yang digunakan untuk diagnosa. Dataset yang digunakan pada penelitian untuk kasus klasifikasi penyakit jantung koroner adalah dataset yang diperoleh dari UCI Machine Learning. Berdasarkan hasil penelitian, rata-rata akurasi, presisi, recall, dan F-Measure pengujian 10 cross validation untuk tiga kali pengujian dengan kerandoman data yang berbeda adalah sebesar 84.67±0.19%, 83.00±1.83%, 84.65±1.64%, dan 83.36±0.25%. Jika dibandingkan dengan penelitian sebelumnya, algoritma yang diusulkan memiliki performa yang lebih baik karena bias dan standar deviasinya yang lebih kecil. Nilai akurasi pengujian juga didapati mengungguli beberapa algoritma machine learning lain. Selain itu, berdasarkan hasil penelitan didapatkan beberapa informasi penting yaitu urutan tingkat kepentingan atribut klasifikasi dan karakteristik subyek yang termasuk positif jantung koroner dan negatif jantung koroner.
==========================================================================
Coronary heart disease is a type of cardiovascular disease. Early diagnosis of coronary heart disease is the right step to reduce the level of risk of death from the disease, but the diagnosis of coronary heart disease tends to be difficult to do properly because of signs and symptoms that intersect with other diseases. Machine learning is an approach that can be used to help diagnose coronary heart disease. The machine learning algorithm used in several related studies only focuses on increasing the classification accuracy and cannot provide useful information for doctors. Hybrid Decision Tree and Naive Bayes algorithms are one of machine learning algorithms that can overcome these problems. However, there are some weaknesses in the algorithm. In this final project the Hybrid Decision Tree and Naive Bayes algorithms are proposed to improve their performance. The proposed algorithm is implemented in a web-based decision support system application. Decision support systems are designed to pay attention in multi-login aspects and flexibility so that they can be used by users with different access. In addition the system is designed to be easily changed in accordance with the data used for diagnosis. The dataset used in the research for the case of coronary heart disease classification is a dataset obtained from UCI Machine Learning. Based on the results of the study, the average accuracy, precision, recall, and F-Measure of 10 cross validation for three times testing with different randomness is 84.67±0.19%, 83.00±1.83%, 84.65±1.64%, dan 83.36±0.25%. When compared with previous studies, the proposed algorithm has better performance because of its smaller bias and standard deviation. The value of accuracy was also found to outperform some other machine learning algorithms. In addition, based on the results of the research, there are some important information that was obtained, first is the order classification attributes importance and second is the characteristics of subjects which diagnosed as positively coronary heart disease and negatively coronary heart disease.

Item Type:	Thesis (Undergraduate)
Additional Information:	RSB 658.403 2 Nug s-1
Uncontrolled Keywords:	Penyakit Jantung Koroner, Sistem Pendukung Keputusan, Klasifikasi, Machine Learning, Hybrid Decision Tree dan Naive Bayes
Subjects:	Q Science > QA Mathematics > QA279.5 Bayesian statistical decision theory. Q Science > QA Mathematics > QA76.76.A65 Application software. Enterprise application integration (Computer systems)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Muhammad Yogie Nugroho
Date Deposited:	12 Jan 2022 07:45
Last Modified:	05 Jun 2023 03:33
URI:	http://repository.its.ac.id/id/eprint/73133

Actions (login required)

View Item