Article Sidebar

Submitted
February 8, 2021
Accepted
February 14, 2021
Published
March 10, 2021
Download
PDF (Bahasa Indonesia)
Statistic
Read Counter : 1663 Download : 1922

Downloads

Download data is not yet available.

Main Article Content

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.

Article Details

License
  1. Seluruh materi yang terdapat dalam situs ini dilindungi oleh undang-undang. Dipersilahkan mengutip sebagian atau seluruh isi situs web ini sesuai dengan ketentuan yang berlaku.
  2. Apabila anda menemukan satu atau beberapa artikel yang terdapat dalam Jurnal Pseudocode yang melanggar atau berpotensi melanggar hak cipta yang anda miliki, silahkan laporkan kepada kami, melalui email pada Priciple Contact.
  3. Aspek legal formal terhadap akses setiap informasi dan artikel yang tercantum dalam situs  jurnal ini mengacu pada ketentuan lisensi Creative Commons Atribusi-ShareAlike (CC-BY-SA).
  4. Semua Informasi yang terdapat di Jurnal Pseudocode  bersifat akademik. Jurnal Pseudocode  tidak bertanggung jawab terhadap kerugian yang terjadi karana penyalah gunaan informasi dari situs ini.
Author Biography

Yoga Pristyanto, Universitas Amikom Yogyakarta

Pogram Studi S1 Sistem Informasi
How to Cite
Nurmasani, A., & Pristyanto, Y. (2021). Algoritme Stacking Untuk Klasifikasi Penyakit Jantung Pada Dataset Imbalanced Class. Pseudocode, 8(1), 21–26. https://doi.org/10.33369/pseudocode.8.1.21-26
Download Citation
Endnote/Zotero/Mendeley (RIS)
BibTeX

References

  1. 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.
  2. Kemenkes RI, KMK No. 854 ttg Cardiovasular Diseases Guideline.pdf. 2009, p. 32.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. J. Han, M. Kamber, and J. Pei, Data Mining : Concept and Techniques, Third Edit. Massachusetts: Morgan Kauffman, 2011.
  14. Q. Wang, “A hybrid sampling SVM approach to imbalanced data classification,” Abstr. Appl. Anal., vol. 2014, 2014, doi: 10.1155/2014/972786.