Diterbitkan Oleh:
Lembaga Penelitian Pengabdian Masyarakat Universitas Nusa Mandiri
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional.
PERBANDINGAN METODE DATA MINING SVM DAN NN UNTUK KLASIFIKASI PENYAKIT GINJAL KRONIS
Keywords:
SVM, Supper Vector Machine, Neural Network, Data Mining, Chronic Kidney Disease
Abstract
Data mining merupakan suatu metode yang telah banyak digunakan untuk melakukan penemuan ilmu pengetahuan dari kumpulan dataset yang selama ini hanya disimpan tanpa dikelola lebih lanjut. Dalam dunia kesehatan penggunaan metode data mining telah banyak membantu dunia kesehatan dalam membuat prediksi mengenai masalah kesehatan yang dihadapi. Salah satu penyakit yang sangat mematikan yaitu penyakit ginjal kronik. Penyakit ginjal kronik dapat menyebabkan banyak penyakit mematikan lainnya. Tingkat perkembangan penyakit ginjal kronik ini juga terus meningkat dari tahun ke tahunnya. Dalam penelitian data penyakit ginjal kronis akan diolah dengan metode data mining yaitu Supper vector Machine dan Neural network. Keduanya merupakan metode data mining yang diketahui memiliki kinerja yang baik untuk data dengan atribut dan parameter yang banyak dan beragam. Dari Hasil penelitian diperoleh hasilnya yaitu metode neural network menghasilkan nilai akurasi 93.36% dan SVM dengan nilai 95.16%.
Downloads
Download data is not yet available.
References
Amalia, H. (2017). Komparasi Data Mining Untuk Penentuan Proses Persalinan Ibu Melahirkan. 13(2), 103-109
Amalia, H., Lestari, A.F., & Puspita, A. (2017). PENERAPAN METODE SVM BERBASIS PSO UNTUK PENENTUAN KEBANGKRUTAN BANK.Jurnal Techo Nusa Mandiri, 14(2), 131-136
Cahyaningsih, D, N. (2011). Panduan Praktis Perawatan Gagal Ginjal. Mitra Yogyakarta: Cendekia Press.
Hidayati, T., & Haripurnomo Kushandiwijaya, S. (2008). Hubungan antara Hipertensi, Merokok dan Suplemen Energi dan Kejadian Penyakit Ginjal Kronik. Berita Kedokteran Masyarakat, 24(2), 90
Kumar, M. (2016). Prediction of Chronic Kidney Disease Using Random Forest Machine Learning Algorithm. Interantional Journal of Computer Science and Mobile Computing, 5(2), 24-33
Lucida, H., Trisnawati, R.,& Suadi, M. (2011). AnalisisAspek Farmakokinetika Klinik Pasien Gagal Ginjal pada IRNA Penyakit RSUP Dr. M. Djamil Padang. Jurnal Dains dan Teknologi Farmasi., 16(2).
Ramya, S.m &Radha, N. (2016). , Diagnosis of Chronic Kidney Disease Using Machine Learning Algorithms. International Journal of Innovative Research in Computer and Communication Engineering, 4(1), 812-820
Rahmawati, D. (2012). Optimasi Routing Berbasis algoritma Genetika Pada Sistem Komunikasi Bergerak . Jurnal EEICCIS, 4(1), 18-23.
Sinha, P., & Sinha, P. (2015). Comperative study of chronic kidney disease prediction using KNN and SVM. Inetnational Journal of Engeineering Research and Technology, 4(12), 608-12.
Tanti, M., Mogan., A., & Manoppo, F.(2014). Hubungan antara derajat penyakit ginjal kronik nilai agregasi trombosit di rsup prof. Dr. kandou manado. Jurnal e-Biomedik, 2(2)
Amalia, H., Lestari, A.F., & Puspita, A. (2017). PENERAPAN METODE SVM BERBASIS PSO UNTUK PENENTUAN KEBANGKRUTAN BANK.Jurnal Techo Nusa Mandiri, 14(2), 131-136
Cahyaningsih, D, N. (2011). Panduan Praktis Perawatan Gagal Ginjal. Mitra Yogyakarta: Cendekia Press.
Hidayati, T., & Haripurnomo Kushandiwijaya, S. (2008). Hubungan antara Hipertensi, Merokok dan Suplemen Energi dan Kejadian Penyakit Ginjal Kronik. Berita Kedokteran Masyarakat, 24(2), 90
Kumar, M. (2016). Prediction of Chronic Kidney Disease Using Random Forest Machine Learning Algorithm. Interantional Journal of Computer Science and Mobile Computing, 5(2), 24-33
Lucida, H., Trisnawati, R.,& Suadi, M. (2011). AnalisisAspek Farmakokinetika Klinik Pasien Gagal Ginjal pada IRNA Penyakit RSUP Dr. M. Djamil Padang. Jurnal Dains dan Teknologi Farmasi., 16(2).
Ramya, S.m &Radha, N. (2016). , Diagnosis of Chronic Kidney Disease Using Machine Learning Algorithms. International Journal of Innovative Research in Computer and Communication Engineering, 4(1), 812-820
Rahmawati, D. (2012). Optimasi Routing Berbasis algoritma Genetika Pada Sistem Komunikasi Bergerak . Jurnal EEICCIS, 4(1), 18-23.
Sinha, P., & Sinha, P. (2015). Comperative study of chronic kidney disease prediction using KNN and SVM. Inetnational Journal of Engeineering Research and Technology, 4(12), 608-12.
Tanti, M., Mogan., A., & Manoppo, F.(2014). Hubungan antara derajat penyakit ginjal kronik nilai agregasi trombosit di rsup prof. Dr. kandou manado. Jurnal e-Biomedik, 2(2)
Published
2018-03-15
How to Cite
Amalia, H. (2018). PERBANDINGAN METODE DATA MINING SVM DAN NN UNTUK KLASIFIKASI PENYAKIT GINJAL KRONIS. Jurnal Pilar Nusa Mandiri, 14(1), 1-6. https://doi.org/10.33480/pilar.v14i1.80
Article Metrics
Abstract viewed = 2864 times
PDF downloaded = 2612 times
Abstract viewed = 2864 times
PDF downloaded = 2612 times
Section
Articles
Copyright (c) 2018 Hilda Amalia
An author who publishes in the Pilar Nusa Mandiri: Journal of Computing and Information System agrees to the following terms:
- Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-NonCommercial 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
- Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
- Author is permitted and encouraged to post his/her work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).
Read more about the Creative Commons Attribution-NonCommercial 4.0 Licence here: https://creativecommons.org/licenses/by-nc/4.0/.
