“…Pohon keputusan terbagi menjadi dua: pohon regresi yang mengolah keluaran data kontinyu dan pohon klasifikasi yang mengolah keluaran yang bersifat diskrit [7]. Terdapat beragam penelitian yang telah menunjukan kemampuan dari metode pohon klasifikasi dan regresi dalam memodelkan data yang memiliki kompleksitas tinggi, seperti pada [8,9,10,11] Penelitian terkait: pada [8], telah dibahas bagaimana metode pohon klasifikasi digunakan untuk mendiagnosis penyakit hepatitis C. Berdasarkan pada penelitian yang telah dilakukan, dapat disimpulkan bahwa metode pohon klasifikasi dapat mengkatagorikan apakah seseorang mengidap penyakit hepatitis C dengan akurasi di atas 80%. Pada [9] telah ditunjukan kemampuan dari metode pohon regresi berbasi entropi dalam memodelkan dinamika dari 3 bangunan berbeda, yang secara spesifik ditujukan untuk mengetahui apakah terdapat kerusakan di dalam struktur.…”
Section: Pendahuluanunclassified
“…Berdasarkan percobaan yang telah dilakukan, diketahui bahwa metode pohon regresi dapat digunakan untuk memodelkan kerusakan struktur bangunan dengan akurasi rerata di atas 90%. Pada [10] dan [11] telah dilakukan penelitian untuk menentukan tingkat kerusakan dari struktur bangunan dengan menggunakan metode pohon regresi, konsep entropi dalam teori informasi dan korelasi jarak atau distance correlation. Berdasarkan pada penelitian yang telah dilakukan, dapat disimpulkan bahwa metode pohon regresi berbasis korelasi jarak dapat menentukan kondisi dari sebuah bangunan dengan tingkat kesalahan di bawah 15%.…”
Section: Pendahuluanunclassified
“…Konsep ini merupakan gagasan baru terhadap penelitian yang telah dilakukan pada [8], yang dalam kasus ini, diharapkan modifikasi yang dilakukan akan meningkatkan performa algoritma yang telah digagas sebelumnya terutama dalam akurasi model prediktif. Terhadap [10] dan [11], metode korelasi jarak digunakan untuk mengidentifikasi data yang bersifat kontinyu. Pada karya tulis ini, konsep ini akan diekspansikan lebih lanjut, sehingga dapat mengidentifikasi pola untuk data yang bersifat diskrit.…”
Section: Pendahuluanunclassified
“…Pada bagian ini akan dibahas secara spesifik algoritma serta alur penelitian untuk membangun jalur diagnosis dari penyakit hepatitis C berdasarkan pada algoritma pohon klasifikasi dan pemilihan himpunan bagian berbasis korelasi jarak. Silahkan mengacu pada [9] terkait dengan konsep dasar dari metode pohon regresi dan [10,11,13] terkait dengan pemilihan himpunan bagian berbasis korelasi jarak.…”
Hepatitis is considered to be one of the most dangerous diseases, which often leads to death if not handled properly. Thus, early detection via precise diagnosis is needed in order to prevent the unfortunate event. This research aims to provide a novel hepatitis C diagnosis based on the machine learning algorithm, which is the classification tree from the decision tree learning and the distance correlation, which measures the Euclidean distance between 2 vectors. In particular, the goal is to develop a low computational cost yet precise algorithm for diagnosing the possibility of whether a person is being infected with Hepatitis C or not. Based on the experiment, the distance correlation-based classification tree algorithm outperforms the classical classification tree algorithm by around 3% while using only 7 features instead of 12 as in the classical algorithm. Furthermore, the algorithm identified albumin (ALB), Creatinine (CREA), Bilirubin (BIL), Aspartate Transaminase (AST) and Cholesterol (CHOL) as significant risk factors in determining whether someone is potentially infected with hepatitis C or not, with Creatinine is identified as the most important parameter among all 5 parameters mentioned above.
“…Pohon keputusan terbagi menjadi dua: pohon regresi yang mengolah keluaran data kontinyu dan pohon klasifikasi yang mengolah keluaran yang bersifat diskrit [7]. Terdapat beragam penelitian yang telah menunjukan kemampuan dari metode pohon klasifikasi dan regresi dalam memodelkan data yang memiliki kompleksitas tinggi, seperti pada [8,9,10,11] Penelitian terkait: pada [8], telah dibahas bagaimana metode pohon klasifikasi digunakan untuk mendiagnosis penyakit hepatitis C. Berdasarkan pada penelitian yang telah dilakukan, dapat disimpulkan bahwa metode pohon klasifikasi dapat mengkatagorikan apakah seseorang mengidap penyakit hepatitis C dengan akurasi di atas 80%. Pada [9] telah ditunjukan kemampuan dari metode pohon regresi berbasi entropi dalam memodelkan dinamika dari 3 bangunan berbeda, yang secara spesifik ditujukan untuk mengetahui apakah terdapat kerusakan di dalam struktur.…”
Section: Pendahuluanunclassified
“…Berdasarkan percobaan yang telah dilakukan, diketahui bahwa metode pohon regresi dapat digunakan untuk memodelkan kerusakan struktur bangunan dengan akurasi rerata di atas 90%. Pada [10] dan [11] telah dilakukan penelitian untuk menentukan tingkat kerusakan dari struktur bangunan dengan menggunakan metode pohon regresi, konsep entropi dalam teori informasi dan korelasi jarak atau distance correlation. Berdasarkan pada penelitian yang telah dilakukan, dapat disimpulkan bahwa metode pohon regresi berbasis korelasi jarak dapat menentukan kondisi dari sebuah bangunan dengan tingkat kesalahan di bawah 15%.…”
Section: Pendahuluanunclassified
“…Konsep ini merupakan gagasan baru terhadap penelitian yang telah dilakukan pada [8], yang dalam kasus ini, diharapkan modifikasi yang dilakukan akan meningkatkan performa algoritma yang telah digagas sebelumnya terutama dalam akurasi model prediktif. Terhadap [10] dan [11], metode korelasi jarak digunakan untuk mengidentifikasi data yang bersifat kontinyu. Pada karya tulis ini, konsep ini akan diekspansikan lebih lanjut, sehingga dapat mengidentifikasi pola untuk data yang bersifat diskrit.…”
Section: Pendahuluanunclassified
“…Pada bagian ini akan dibahas secara spesifik algoritma serta alur penelitian untuk membangun jalur diagnosis dari penyakit hepatitis C berdasarkan pada algoritma pohon klasifikasi dan pemilihan himpunan bagian berbasis korelasi jarak. Silahkan mengacu pada [9] terkait dengan konsep dasar dari metode pohon regresi dan [10,11,13] terkait dengan pemilihan himpunan bagian berbasis korelasi jarak.…”
Hepatitis is considered to be one of the most dangerous diseases, which often leads to death if not handled properly. Thus, early detection via precise diagnosis is needed in order to prevent the unfortunate event. This research aims to provide a novel hepatitis C diagnosis based on the machine learning algorithm, which is the classification tree from the decision tree learning and the distance correlation, which measures the Euclidean distance between 2 vectors. In particular, the goal is to develop a low computational cost yet precise algorithm for diagnosing the possibility of whether a person is being infected with Hepatitis C or not. Based on the experiment, the distance correlation-based classification tree algorithm outperforms the classical classification tree algorithm by around 3% while using only 7 features instead of 12 as in the classical algorithm. Furthermore, the algorithm identified albumin (ALB), Creatinine (CREA), Bilirubin (BIL), Aspartate Transaminase (AST) and Cholesterol (CHOL) as significant risk factors in determining whether someone is potentially infected with hepatitis C or not, with Creatinine is identified as the most important parameter among all 5 parameters mentioned above.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.