Algoritme Stacking Untuk Klasifikasi Penyakit Jantung Pada Dataset Imbalanced Class

Atik Nurmasani(1), Yoga Pristyanto(2),
(1) Universitas Amikom Yogyakarta, 
(2) Universitas Amikom Yogyakarta, Indonesia

Abstract


Berdasarkan data Riset Kesehatan Dasar (Riskesdas) tahun 2018, angka kejadian penyakit jantung dan pembuluh darah semakin meningkat dari tahun ke tahun. Setidaknya, 15 dari 1000 orang, atau sekitar 2.784.064 individu di Indonesia menderita penyakit jantung. Data mining merupakan bidang yang dapat menjadi solusi untuk digunakan sebagai alat deteksi dini penyakit jantung. Pada penelitian yang dilakukan sebelumnya mayoritas menggunakan single classifier, hal ini akan menimbulkan sebuah permasalahan baru ketika dalam dataset penyakit terdapat ketidakseimbangan kelas. Keberadaan ketidakseimbangan tersebut dapat menyebabkan kinerja single classifier menjadi tidak maksimal. Oleh karena itu pada penelitian ini akan digunakan metode ensemble atau meta learning. Berdasarkan pengujian yang dilakukan menunjukkan bahwa algoritme stacking mampu menghasilkan kinerja dari sisi akurasi TPR, TNR, G-Mean dan AUC yang lebih baik dibandingkan single classifier lainnya. Dengan adanya peningkatan nilai tersebut diharapkan penelitian ini mampu menjadi referensi untuk pengembagan berbagai sistem yang mendukung dan memaksimalkan tingkat keberhasilan proses deteksi dini penyakit jantung menggunakan data mining.

References


M. N, R. A, R. S., and S. Stang, “Karakteristik Dan Prevalensi Risiko Penyakit Kardiovaskular Pada Tukang Masak Warung Makan Di Wilayah Kerja Puskesmas Tamalanrea,” J. Kesehat., vol. 11, no. 1, pp. 30–38, 2018, doi: 10.24252/kesehatan.v11i1.5029.

Kemenkes RI, KMK No. 854 ttg Cardiovasular Diseases Guideline.pdf. 2009, p. 32.

I. Ayu, E. Widiastuti, R. Cholidah, G. W. Buanayuda, and I. B. Alit, “Deteksi Dini Faktor Risiko Penyakit Kardiovaskuler pada Pegawai Rektorat Universitas Mataram,” J. Pengabdi. Magister Pendidik. IPA, vol. 4, pp. 137–142, 2021.

A. B. Wibisono and A. Fahrurozi, “Perbandingan Algoritma Klasifikasi Dalam Pengklasifikasian Data Penyakit Jantung Koroner,” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 161–170, 2019, doi: 10.35760/tr.2019.v24i3.2393.

Fadhilah Ahmad, N. H. Ismail, and Azwa Abdul Aziz, “The prediction of students’ academic performance using classification data mining techniques,” Appl. Math. Sci., vol. 9, no. 129, pp. 6415–6426, 2015, doi: 10.12988/ams.2015.53289.

Y. Pristyanto, “Penerapan Metode Ensemble Untuk Meningkatkan Kinerja Algoritme Klasifikasi Pada Imbalanced Dataset,” J. TEKNOINFO, vol. 13, no. 1, pp. 11–16, 2019, doi: 10.33365/jti.

I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, 3rd ed. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2011.

V. V. Ramalingam, A. Dandapath, and M. Karthik Raja, “Heart disease prediction using machine learning techniques: A survey,” Int. J. Eng. Technol., vol. 7, no. 2.8 Special Issue 8, pp. 684–687, 2018, doi: 10.14419/ijet.v7i2.8.10557.

P. S. Kohli and A. L. Regression, “Application of Machine Learning in Disease Prediction,” in 2020 IEEE 5th International Conference on Computing Communication and Automation, ICCCA 2020, 2020, pp. 1–4.

C. S. Wu, M. Badshah, and V. Bhagwat, “Heart disease prediction using data mining techniques,” in ACM International Conference Proceeding Series, 2019, pp. 7–11, doi: 10.1145/3352411.3352413.

D. Chicco and G. Jurman, “Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone,” BMC Med. Inform. Decis. Mak., vol. 20, no. 1, pp. 1–16, 2020, doi: 10.1186/s12911-020-1023-5.

N. Chanamarn, K. Tamee, and P. Sittidech, “Stacking technique for academic achievement prediction,” Int. Work. Smart Info-Media Syst. Asia (SISA 2016), no. Sisa 2016, pp. 14–17, 2016.

J. Han, M. Kamber, and J. Pei, Data Mining : Concept and Techniques, Third Edit. Massachusetts: Morgan Kauffman, 2011.

Q. Wang, “A hybrid sampling SVM approach to imbalanced data classification,” Abstr. Appl. Anal., vol. 2014, 2014, doi: 10.1155/2014/972786.




DOI: https://doi.org/10.33369/pseudocode.8.1.21-26

Article Metrics

 Abstract Views : 0 times
 PDF (Bahasa Indonesia) Downloaded : 0 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Atik Nurmasani, Yoga Pristyanto

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Jurnal Pseudocode terindeks

Jurnal Pseudocode
Program Studi Informatika, Fakultas Teknik, Universitas Bengkulu
Jl. W.R. Supratman, Kandang Limun, Bengkulu 38371
Telepon (0736) 344087 Faksimile (0736) 349134
Email: pseudocode@unib.ac.id

Counter Homepage kostenlos

 

Location