Pengelompokan Dan Klasifikasi Pada Data Hepatitis Dengan Menggunakan Support Vector Machine (SVM), Classification And Regression Tree (Cart) Dan Regresi Logistik Biner

Abstract

<jats:p>Hepatitis adalah peradangan pada hati karena toxin, seperti kimia atauobat ataupun agen penyebab infeksi. Hepatitis yang berlangsung kurang dari 6 bulan disebut "hepatitis akut", hepatitis yang berlangsung lebih dari 6 bulan disebut "hepatitis kronis".Hepatitis biasanya terjadi karena virus, terutama salah satu dari kelima virus hepatitis, yaitu A, B, C, D atau E. Hepatitis juga bisa terjadi karena infeksi virus lainnya, seperti mononukleosis infeksiosa, demam kuning dan infeksi sitomegalovirus. Penyebab hepatitis non-virus yang utama adalah alkohol dan obat-obatan.Dalam penelitian ini dilakukan tes terhadap 155 pasien dengan respon meninggal atau hidup. Untuk itu penerapan Data Mining akan dilakukan pada kasus diatas, memanfaatkan salah satu teknik yaitu Data Classification, sejumlah data testing yang tersedia akan di analisis serta dibandingkan dengan data training untuk dilakukan prediksi meninggal atau hidup.Hasil ketepatan klasifikasi antara data training dengan data testing dengan analisis regresi logistik adalah 79,4% sedangkan dengan menggunakan SVM diperoleh sebesar 80%. Pengelompokan dengan menggunakan K-Means dan Kernel K-Means menghasilkan ketepatan pengelompokan yang berbeda. Ini menunjukkan bahwa data hepatitis memiliki pengelompokan yang baik. Kemudian hasil pengelompokan pada Kernel K-Means dibandingkan dengan data aktual yang diklasifikasikan dengan menggunakan regresi logistik, SVM dan CART dimana dihasilkan bahwa data hasil dari Kernel K-Means memiliki ketepatan klasifikasi yang lebih baik dibandingkan dengan hasil klasifikasi pada data aktual.</jats:p>

Comparison of Machine Learning Classification Methods in Hepatitis C Virus

“…A comparison of accuracy between classification methods is shown in Table 3. The decision trees method in [10] yielded an accuracy of 75.3%, the PSO method 66.4% [11], GA 69.4% [11], logistic regression 79.4% [12], and SVM 80% [12]. Methods of classification are used in the research is showing the results of the accuracy of which is relatively not much different.…”

“…Rated accuracy of the method KNN, naïve Bayes, and RF in a row amounted to 89.43%, 90.24%, and 94.31%. When compared with the method KNN, naïve Bayes, RF, and[10]- [12], the method NN has a value of accuracies are high, namely at 95.12%. [11] 66,4% GA [11] 69,6% Regresi Logistik [12] 79,4% SVM [12] 80%…”

“…Therefore, infection with HCV is a problem of health public main that must be handled with the intervention policy of the strong to effectively identify and treat patients who are infected with HCV. [1] Research on the prediction and classification of HCV has been carried out in [9]- [12]. Various methods have been used to classify data including neural networks [9], decision trees [10], PSO [11], GA [11], logistic regression [12], and Support Vector Machine (SVM) [12].…”

“…[1] Research on the prediction and classification of HCV has been carried out in [9]- [12]. Various methods have been used to classify data including neural networks [9], decision trees [10], PSO [11], GA [11], logistic regression [12], and Support Vector Machine (SVM) [12]. The accuracy of which is derived from methods quite effective in generating the classification of HCV that is reaching 92% for the neural network [9], decision trees 75.3% [10], PSO 66.4% [11], GA 69.6% [11], Logistic Regression 79.4% [12], and SVM of 80% [12].…”

Prediksi Calon Pendonor Darah Potensial Dengan Algoritma Naïve Bayes, K-Nearest Neighbors dan Decision Tree C4.5

“…Data Mining adalah serangkaian data untuk dihasilkan informasi yang lebih berguna, disiplin ilmu ini mengkaji berbagai metode yang umum digunakan untuk melakukan pengolahan data, salah satu metode pengolahan dalam prosesnya adalah klasifikasi data. Klasifikasi data biasa digunakan pada sejumlah data yang telah di ketahui data induknya, untuk kemudian dijadikan data training/data model yang hasilnya akan menjadi keputusan prediksi dari sejumlah data yang serupa namun belum lengkap pada salah satu atributnya [13].…”