KOMPARASI ALGORITMA BACKPROPAGATION, NEAREST NEIGHBOR, DAN DESICION TREE UNTUK MENDETEKSI PENYAKIT DEMAM BERDARAH PADA PASIEN OPNAME

Jurnal Teknologi Informasi, Volume 8 Nomor 1, April 2012, ISSN 1414-9999

KOMPARASI ALGORITMA BACKPROPAGATION, NEAREST NEIGHBOR, DAN DESICION TREE UNTUK MENDETEKSI PENYAKIT DEMAM BERDARAH PADA PASIEN OPNAME Untung Suwardi, Abdul Syukur, Ricardus Anggi P Pascasarjana Teknik Informatika Universitas Dian Nuswantoro Abstract Dengue fever is a type of disease transmitted through the bite of Aedes aegypti / albopictus that carries dengue virus. The symptoms of the diseases are fever, headache, lymphodenopathy, leukopenia, homeostasis and increased vascular permeability. Dengue disease is difficult to detect because it does not show obvious symptoms. The doctor is often being fooled because the patient is showing the signs of cure, whereas they were in a very critical phase. When in this phase, patients that are not getting a good care will have complications that can cause a death.In this study the authors attempt to find the best algorithm and the easy way to detect dengue disease classifications using comparative Back propagation algorithm, Nearest Neighbor, C.45 in patients that being hospitalized in the Regional General Hospital Brebes and find the best accuracy among the three methods.Comparative study shows the algorithm Backpropagation algorithm shows an accuracy of 92,90%, Nearest Neighbor of 87,10%, and C.45 of 88,39% in the detection of dengue fever.From the three methods, the algorithm Nearest Neighbor algorithm showed the best results and easier to detect dengue fever compared with the two other algorithms methods. Keywords: Comparison, Back propagation, Nearest Neighbor, C.45, Detection of Dengue Fever Disease. 1. PENDAHULUAN Demam Berdarah Dengue adalah jenis penyakit yang ditularkan melalui gigitan nyamuk aedes aegypti / albopictus yang membawa virus dengue. Virus dengue akan terus berkembang ketika masuk ke dalam pembuluh darah manusia, bila infeksi virus dengue terjadi dapat menyebabkan Demam Berdarah Dengue [1].Penyakit Demam Berdarah dengan munculnya tanda – tanda seperti demam tinggi, sakit kepala, lymphodenopathy, leucopenia, homeostasis dan permeabilitas pembuluh darah yang meningkat[2]. Semua orang yang terkena demam berdarah harus hati – hati dengan memperhatikan suhu badan bila terjadi komplikasi setelah sembuh dari demam minimal selama 2 hari. Komplikasi sering kali terjadi selama fase ini dengan ciri – ciri pasien merasakan nyeri perut, tinja berwarna hitam, perdarahan ke dalam kulit, hidung atau gusi berdarah, berkeringat dan kulit dingin. Bila tanda – tanda komplikasi muncul segera dibawa ke rumah sakit untuk dirawat inap / opname dan mendapatkan pertolongan dari dokter[3]. Kebanyakan pasien demam berdarah mengalami pendarahan selama fase 2 – 7 hari, dengan diikuti fase kritis antara 2 – 3 hari dimana tidak terjadi pendarahan, tetapi bila pada fase ini pasien tidak mendapatkan perawatan yang baik, berakibat fatal karena pendarahan terjadi begitu cepat dan mengakibatkan kematian[3].Jaringan Syarat Tiruan (JST) dapat digunakan untuk memantau infeksi dengue. Klasifikasi yang akurat dari infeksi dengue sangat berguna bagi dokter dalam mendiagnosis penyakit demam berdarah. Sistem prediksi invasif untuk memprediksi penurunan suhu badan pada pasien demam berdarah menggunakan Jaringan Syarat Tiruan pada gejala klinis dan tanda – tanda menunjukkan akurasi prediksi sekitar 90% [4].Menurut [14] algoritma Backpropagation adalah mampu menghasilkan hasil tingkat akurasi prediksi / deteksi penyakit yang lebih baik dibandingkan dengan model regresi nonlinear. Dari penelitian yang dilakukan oleh [22] dalam mendeteksi suatu penyakit dengan menggunakan komparasi algoritma Neural Network dengan Decision tree terbukti algoritma Neural Network lebih baik dengan tingkat akurasi 90,25%. Algoritma Decision tree dalam mendeteksi mempunyai tingkat akurasi rendah, atau dengan kata lain Desicion tree tidak cocok dalam mendeteksi suatu penyakit.

http://research.pps.dinus.ac.id, email redaksi: [email protected]

57


Maksud penelitian ini untuk menentukan algoritma terbaik dan mudah dalam mendeteksi klasifikasi penyakit demam berdarah pada pasien opname di Rumah Sakit Kabupaten Brebes dengan metode Backpropagation, Nearest Neighbor dan C.45, kemudian melakukan komparasi algoritma untuk mencari hasil yang terbaik melalui tingkat akurasi diantara ketiga metode itu. 2. PERUMUSAN MASALAH Berdasarkan latar belakang masalah yang telah diuraikan, dapat dirumuskan: Penyakit demam berdarah sulit dideteksi karena tidak muncul gejala nyata, fase kritis sering membuat para medis terkecoh karena pasien dianggap telah sembuh. Belum diketahui algoritma yang akurat untuk mendeteksi klasifikasi penyakit demam berdarah pada pasien opname di Rumah Sakit Umum Daerah Kabupaten Brebes. 3. TUJUAN PENELITIAN Berdasarkan latar belakang dan rumusan masalah maka penelitian ini bertujuan untuk menentukan algoritma terbaik dan mudah dalam mendiagnosa penyakit demam berdarah menggunakan komparasi algoritma Backpropagation, Nearest Neighbor dan C.45 pada pasien opname di Rumah Sakit Umum Daerah Kabupaten Brebes. 4.

KERANGKA PIKIR

PERMASALAHAN Belum diketahui algoritma yang akurat dan

sulit mendeteksi Penyakit demam berdarah pada pasien opname KOMPARASI Backpropagation, Nearest Neighbor, C45

METODE DAN EKSPERIMEN Data Pasien DBD RSUD Brebes Training 80% (124 data), testing 20% (31data)

Simulasi RapidMiner

Pengukuran Precision & Recall

Hasil Dapat diketahui algoritma yang akurat dan mudah mendeteksi Penyakit demam berdarah pada pasien opname Gambar Kerangka Pikir 58

http://research.pps.dinus.ac.id

email redaksi: [email protected]

Jurnal Teknologi Informasi, Volume 8 Nomor 1, April 2012, ISSN 1414-9999 Kerangka pemikiran yang digambarkan pada Gambar 6 menunjukkan bahwa permasalahan penyakit demam berdarah sulit dideteksi karena tidak muncul gejala nyata, fase kritis sering membuat para medis terkecoh karena pasien dianggap telah sembuh. Langkah selanjutnya dilakukan pendekatan dengan menggunakan komparasi tiga algoritma klasifikasi diantaranya: Backpropagation, Nearest Neighbor, dan C.45. Pendekatan komparasi algoritma tersebut akan dilakukan analisa dengan menggunakan rapid miner yang akan menghasilkan akurasi yang ditunjukkan dengan pressicion dan recall Dari hasil pengukuran tersebut akan diketahui algoritma yang mempunyai akurasi tertinggi. Hasil pengukuran algoritma dengan nilai akurasi tertinggi tersebutlah yang akan digunakan untuk mendeteksi penyakit demam berdarah 5. LANDASAN TEORI 5.1. Algoritma Backpropagation Pengertian Backpropagation adalah penurunan gradien meminimalkan kuadrat eror output atau keluaran. Ada tiga tahapan dalam pelatihan jaringan antara lain: forward propagation atau perambatan maju, tahap perambatan balik, dan tahap perubahan bobot dan bias. Jaringan ini mempunyai arsitektur yang terdiri dari input layer, hidden layerdan ouput leyer [20]. Langkah – langkah dalam metode backpropagation adalah sebagai berikut: 1. Inisialisasi bobot jaringan secara acak 2. Untuk setiap contoh data, hitungan keluaran berdasarkan bobot jaringan saat tersebut 3. Lakukan proses perhitungan nilai error untuk setiap keluaran dan hidden node (neutron) dalam jaringan. Bobot relasi jaringan dimodifikasi 4. Ulang langkah ke 2 sehingga mencapai kondisi yang diinginkan Beberapa cara dalam memodifikasi bobot – bobot jaringan saraf tiruan, antara lain: 1. Memodifikasi dilakukan setiap akhir perhitungan setiap contoh kasus (case updating 2. Memodifikasi bobot – bobot jaringan saraf tiruan dilakukan setelah semua contoh kasus dianalisis (epoch updating) Perhitungan error dalam ouput layer dengan rumus persamaan: Keterangan: Oi = keluaran dari output node unit i Ti = nilai sesungguhnya dari ouput node dalam contoh kasus (data training) Perhitungan error pada hidden layer dengan Rumus Persamaan:

Keterangan: Oi = keluaran dari hidden node unit i yang memiliki keluaran j dalam layer Errj = nilai error dalam node unit j Wij = bobot antara kedua node (neuron) tersebut Setelah nilai error pada setiap node (neuron) dihitung, lakukan modifikasi terhadap bobot jaringan dengan Rumus Persamaan: Keterangan: l = learning rate dengan nilai 0 hingga 1; Jika nilai l kecil, maka perubahan bobot akan sedikit dalam setiap iterasi, begitu pula sebaliknya. Nilai learning rate berkurang selama proses pembelajaran.


59


Jaringan saraf tiruan dengan 6 neuron sebagai berikut:

X1

1

W14

W15

4

W46

W24 X2

2

6

W25

X3

3

W56

5

W34

Output O

W35

Gambar 1 Jaringan Saraf Tiruan dengan 6 Neuron 5.2. Algoritma Nearest Neighbor Pengertian Nearest Neighbor adalah suatu pendekatan dalam mencari kasus dengan memperhitungkan kedekatan satu kasus dengan kasus yang lain berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Penggunaan Algoritma Nearest Neighbor dapat dilakukan untuk mencari solusi pasien baru dengan menggunakan solusi pasien lama.

Pasien A X

Pasien Baru

Pasien B Y Gambar 2 Ilustrasi Kedekatan Kasus Pasien

Gambar 2 terdiri dua pasien yaitu pasien A, pasien B. Bila suatu ketika ada satu pasien Baru maka solusi untuk mengatasi pasien Baru dengan melihat solusi pasien lama yaitu dengan kedekatan antara pasien. Bila X adalah kedekatan antara pasien A dengan pasien Baru dan Y adalah kedekatan antara pasien B dengan pasien Baru. Melihat X lebih dekat dibandingkan Y, maka solusi yang digunakan untuk pasien Baru adalah menggunakan solusi pasien A. Untuk melakukan perhitungan kedekatan antara dua kasus menggunakan rumus sebagai berikut:

Keterangan: T : kasus baru S : kasus yang ada dalam penyimpanan n : jumlah atribut dalam setiap kasus i : atribut individu antara 1 s.d. n 60



Jurnal Teknologi Informasi, Volume 8 Nomor 1, April 2012, ISSN 1414-9999 f : fungsi similarity atribut I antara kasus T dan kasus S w : bobot yang diberikan pada atribut ke-i Kedekatan berada pada nilai 0 s.d. 1, Nilai 0 artinya kedua harus mutlak tidak mirip, sebaliknya nilai 1 kasus mirip dengan mutlak. 5.3. Algoritma C.45 Decision Tree / pohon keputusan adalah cara untuk mewakili data aturan mendasar dengan hirarkis, sekuensial struktur yang secara rekursif partisi data. Decision Tree dapat digunakan untuk eksplorasi data antara lain[15]: 1. Diskripsi, untuk mengurangi volume data dengan mengubahnya menjadi bentuk lebih padat / simpel, memelihara karakteristik yang penting, dan menyediakan ringkasan data yang akurat. 2. Klasifikasi, menemukan apakah data berisi terpisah dengan baik kelas objek, sehingga kelas dapat ditafsirkan bermakna dalam konteks substantif teori. 3. Generalisasi, mengungkap pemetaan dari independen untuk variabel dependen yang berguna untuk memprediksi nilai variabel dependen di masa depan. Ada beberapa algoritma yang sering digunakan dalam pembentukan pohon keputusan, antara lain: ID3, CART, dan C4.5. Algoritma C4.5 ini adalah algoritma pengembangan dari algoritma ID3[18]. Data yang digunakan dalam pohon keputusan dinyatakan dalam bentuk tabel dengan atribut, dimana atribut menyatakan parameter sebagai kriteria dalam pembentukan pohon keputusan[19]. Proses pohon keputusan yaitu mengubah bentuk tabel menjadi model pohon selanjutnya model pohon menjadi rule, dan terakhir menyederhanakan rule[19]. Pada umumnya algoritma C4.5 dalam membangun pohon keputusan adalah sebagai berikut: 1. Memilih atribut sebagai akar 2. Membuat cabang untuk tiap – tiap nilai 3. Membagi kasus dalam cabang 4. Mengulangi proses untuk tiap cabang semua kasus pada cabang memiliki kelas yang sama Dalam pemilihan atribut sebagai akar berdasarkan nilai gain tertinggi dari atribut yang ada. Untuk menghitung nilai gain dapat menggunakan rumus persamaan:

(1)

Keterangan: S : himpunan kasus A : atribut n : jumlah partisi atribut A |Si| : jumlah kasus pada partisi ke-i |S| : jumlah kasus dalam S Untuk nilai entropi, dengan persamaan: (2) Keterangan: S : himpunan kasus A : fitur n : jumlah partisi S pi : proporsi dari Si terhadap S


61


6. METODE PENELITIAN Penelitian ini memakai data dari Rumah Sakit Umum Daerah Kabupaten Brebes Tahun 2009 dan Tahun2010 bangsal anak rawat inap / opname. Data yang dibutuhkan dalam penelitian ini antara lain; jumlah data eksperimen 155 data terdiri dari 75 perempuan, 80 laki - laki dengan atribut seperti jenis kelamin, suhu badan, trombosit, hematokrit, hasil diagnosis. Atribut –atribut tersebut diambil pada buku rekam medis pasien demam berdarah atas petunjuk para medis atau dokter. Selanjutnya data perolehan ditransformasi untuk mendapatkan atribut yang relevan dan sesuai dengan format input algoritma soft computing dikomparasi dan bersesuaian dengan menggunakan tool rapid miner. 6.1. Metode yang Digunakan Metode yang digunakan adalah metode perbandingan algoritma backpropagation, Nearest Neighbor dan C.45 digunakan untuk mendeteksi klasifikasi penyakit demam berdarah pada pasien opname di Rumah Sakit Umum Daerah Kabupaten Brebes. 6.2. Eksperimen dan Pengujian Metode 1. Desain Eksperimen Metode eksperimen yang digunakan adalah desain komparasi algoritma, dimana obyek penelitian yang diambil dari Rumah Sakit Umum Daerah Kabupaten Brebes 2.

Evaluasi dan Validasi Hasil Evaluasi melakukan pengamatan dan sekaligus menganalisa hasil komparasi ketiga algoritma. Validasi mengukur hasil deteksi penyakit demam berdarah dengan membandingkan dengan data awal. Dalam pengukuran hasil deteksi penyakit demam berdarah penulis menggunakan Precision dan Recall sampai mendapatkan tingkat akurasi yang paling tinggi.

7. HASIL DAN PEMBAHASAN 7.1. Hasil Penelitian Dari penerapan menggunakan komparasi algoritma untuk mendeteksi penyakit demam berdarah pada pasien opname di Rumah Sakit Umum Daerah Kabupaten Brebes dengan menggunakan Repid Miner maka dapat dilihat bahwa algoritma Backpropagation menunjukkan hasil akurasi yang lebih baik dibandingkan kedua algoritma yang lain. 7.2. Pengukuran Penelitian Pengukuran hasil penelitian ini menggunakan metode precision, recall, dan akurasi klasifikasi yang digunakan untuk melakukan pengukuran didapatkan dari hasil data pasien demam berdarah sebanyak 155 anak. Adapun untuk menentukan pengukuran menggunakan Precision dan Recall menggunakan persamaan sebagai berikut: Precision = TP / (TP + FP) dan Recall = TP / (TP + FN) Keterangan: TP (True Positive) = True Sakit FP (False Positive) = Sembuh TN (True Negative) = True Sembuh FN (False Negative) = Sakit

62



Jurnal Teknologi Informasi, Volume 8 Nomor 1, April 2012, ISSN 1414-9999 1. Pengukuran Akurasi dengan Algoritma Backpropagation Tabel 27 Akurasi Deteksi Penyakit Demam Berdarah Menggunakan Algoritma Backpropagation

Pasien Demam Berdarah TP = 76 FP = 9 FN = 2 TN = 68 Precision = TP / (TP + FP) = 76 / (76 + 9) = 89,41% Recall = TP / (TP + FN) = 76 / (76 + 2) = 97,44% Akurasi = (TP + TN) / (TP + TN + FP + FN) = (76 + 68) / (76 + 68 + 9 + 2) = 92,90% Error rate = (FP + FN) / (TP + TN + FP + FN) = (9 +2) / (76 + 68 + 9 + 2) = 7,10%

2. Pengukuran Akurasi dengan Algoritma Nearest Neighbor Tabel 29 Akurasi Deteksi Penyakit Demam Berdarah Menggunakan Algoritma Nearest Neighbor


63


Pasien Demam Berdarah TP = 66 FP = 19 FN = 1 TN = 69 Precision = TP / (TP + FP) = 66 / (66 + 19) = 77,69% Recall = TP / (TP + FN) = 66 / (66 + 1) = 98,51% Akurasi = (TP + TN) / (TP + TN + FP + FN) = (66 + 69) / (66 + 69 + 19 + 1) = 12,90% Error rate = (FP + FN) / (TP + TN + FP + FN) = (1 +19) / (66 + 69 + 1 + 19) = 0,1290

3. Pengukuran Akurasi dengan Algoritma C.45 Tabel 28 Akurasi Deteksi Penyakit Demam Berdarah Menggunakan Algoritma C.45

Pasien Demam Berdarah TP = 72 FP = 13 FN = 5 TN = 65 Precision = TP / (TP + FP) = 72 / (72 + 13) = 84,71% Recall = TP / (TP + FN) = 72 / (72 + 5) = 93,51% Akurasi = (TP + TN) / (TP + TN + FP + FN) = (72 + 65) / (72 + 65 + 13 + 5) 64




Error rate

= 88,39% = (FP + FN) / (TP + TN + FP + FN) = (13 + 65) / (72 + 65 + 13 + 5) = 11,61%

8. PENUTUP 8.1. Kesimpulan Penelitian ini dilakukan menggunakan komparasi tiga algoritma antara lain: algoritma Backpropagation, Nearest Neighbor dan C.45. Dari ketiga algoritma hasil eksperimen algoritma Backpropagation menunjukkan tingkat akurasi sebesar 92,90%, algoritma Nearest Neighbor sebesar 87,10% dan algoritma C.45 sebesar 88,39% dalam mendeteksi klasifikasi penyakit demam berdarah. Hasil penelitian komparasi alagoritma menunjukkan bahwa algoritma Nearest Neighbor dapat mendeteksi penyakit demam berdarah dengan tingkat akurasi yang lebih baik dibandingkan dua metode algoritma lainnya. Penelitian dilakukan dari tahap awal hingga pengujian menggunakan penerapan komparasi algoritma untuk memberikan jawaban atas permasalahan sulitnya mendeteksi klasifikasi penyakit demam berdarah pada pasien opname. Berdasarkan hasil penelitian, menyimpulkan bahwa komparasi algoritma mudah dalam mendeteksi klasifikasi penyakit demam berdarah menggunakan komparasi algoritma Nearest Neighbor pada pasien opname di Rumah Sakit Umum Daerah Kabupaten Brebes 8.2. Saran Berdasarkan hasil penelitian, penerapan komparasi algoritma dalam mendeteksi penyakit demam berdarah pada pasien opname ini dapat membawa efek positif dalam proses mendeteksi penyakit demam berdarah, namun terdapat beberapa hal yang perlu penulis sarankan antara lain: 1. Dalam pengukuran akurasi data dapat lebih untuk ditingkatkan. 2. Ada baiknya apabila dilakukan pengujian data dengan teknik komparasi algoritma menggunakan lebih dari tiga metode algoritma. 3. Komparasi algoritma ini akan menghasilkan hasil yang optimal jika menggunakan data dan atribut lebih banyak.

DAFTAR PUSTAKA [1] [2]

[3] [4] [5] [6]

Tan Philip, Cing Tay Joc, “Evolving Boolean Network to Find Intervention Points in Dengue Pathogenesis” Nanyang Technological University, Singapore, 2006. Cetiner B. Gultekin, Sari Murat dan M.ABuras Hani, “ Recognition of Dengue Diseases Patterns Using Articial Neural Network,” Department of Manufacturing and Materials Engineering, Kualumpur, Malaysia. 2009. “Guildelines For Theatment Of Dengue Fever / Dengue Haemorrhagic Ferver In Small Hospitals,” World Health Organization, New Delhi, 1999 Rahim H.Abdul., Ibrahim., Taib M.N., “System Identification of Non Linear Autoregressive Models in Monitoring Dengue Infection,” Universiti Teknologi Malaysia, 2010. Iancu Eugen, Iancu Ionela, Sfredel Veronica, “Predictive Control of Blood Glucose in Diabetes Mellitus Patients” Department of Automation, University of Craiova, 2010. Sapna, S, Ms., Tamilarasi, A., “Fuzzy Relational Equation in Preventing Diabetic Heart Attack”, Dept. of Master of Computer Applications, India, 2009.


65


[7] [8] [9] [10]

[11] [12]

[13]

[14]

[15] [16]

[17]

[18] [19] [20] [21]

[22]

[23] [24] [25] [26]

66

Santoso Budi, “Buku Data Mining: Data Mining,Teknik Pemanfaatan Data untuk Keperluan Bisnis,” Graha Ilmu, 2008 Pradhan Madhavi and Bamnote G.R., “Predictive Modeling of clinical data using soft computing – Diabetes a Case Study,” Int. J. of Computer and Communications Vol. 1, No. 1, 2011 Ashok V, Rajan S, Singh, Nirmalkumar A, “Determination of blood glucose concentration by back propagation neural network,” Dept. of BioMedical Engineering, India, 2010. Halide Halmar, Rais, Peter Ridd, “Early Warning System for Dengue Hemorrhagic Fever (DHF) Epidemics in Makassar,” Department of Physics Faculty of Mathematics and Natural Sciences Hasanudin University, Makassar, 2010. Husin Nor Azura, Salim Naomie, Ahmad Rahmad “Simulation of Dengue Outbreak Prediction” University Technology Malaysia, Johor Malaysia, 2006. Tanner L, Schreiber M, Low JGH, Ong A, Tolfvenstam T, et al. “Decision Tree Algorithms Predict the Diagnosis and Outcome of Dengue Fever in the Early Phase of Illness”. PLoS Negl Trop Dis 2(3): e196. doi:10.1371/journal.pntd.0000196. 2008. Rahim H. Abdul, Ibrahim F , Taib M.M, “Application of Bioelectrical Impedance Sensing Techniques for Dengue Infection with Non-linear Autoregressive model”, Department of Control and Instrumentation Engineering, Faculty of Electrical Engineering, Universiti Teknologi Malaysia, 81310 UTM Skudai, Johor, Malaysia. 2007 Azura Husin Nor, Salim Naornie, “A Comparative Study For Back Propagation Neural Network And Nonlinear Regression Models For Predicting Dengue Outbreak”, Faculty of Computer Science and Information Technology University of Putra Malaysia 43400 Serdang, Selangor. 2008. K Murthy Sreeramak, “Automatic Construction of Decision Trees for Data: A Multi-Desciplinary Survey”, Siemens Corporate Research, Princeton, NJ 08540, USA. 1998 Penna Maria Lucia F, “Use of an artificial neural network for detecting excess deaths due to cholera in Ceará, Brazil”, Departamento de Endemias Samuel Pessoa. Rio de Janeiro, RJ, Brasil, 2004 Yusod Yuhanis, Zuriani Mustaffa, “Dengue Outbreak Prediction: A Least Squares Support Vector Machines Approach’, International Journal of Computer Theory and Engineering, Vol. 3, No. 4, August 2011 Larose, Daniel T. 2005. “Discovering Knowledge in Data: An Introduction to Data Mining. John Willey & Sons, Inc. Kusrini, Taufiq Lufhfi Emha, 2009. “Algoritma Data Mining”, Andi Yogyakarta. Sutejo T, Mulyanto Edy dan Suhartono Vincent, 2011. “Kecerdasan Buatan”, Andi Yogyakarta. Mahdi Asaad, Razali Ahmad , AlWakil Ali. “Comparison of Fuzzy Diagnosis with K-Nearest Neighbor and Naïve Bayes Classifiers in Disease Diagnosis”, UKM Bangi, Selangor, Malaysia, 2011 Nizar Hidayanto Achmad, Chandra Hapsari Ika, Arista Jiwanggi Meganingrum, Fitria Diane, “Perbandingan Algoritma Klasifikasi dalam Pendeteksian Penyakit Kanker”, Fakultas Ilmu Komputer, Universitas Indonesia, Depok, Jawa Barat. Mustaffa Zuriani, Yusof Yuhanis, “A Comparasion Of Normalization Techiques In Predicting Dengue Outbreak”, Universiti Utama Malaysia, Sintok, Kedah, 2010 Mustaffa Zuriani, Yusof Yuhanis, “Dengue Outbreak Prediction: A Least Squares Support Vector Machines Approach ,” Universiti Utama Malaysia, Sintok, Kedah, 2011 Asha Rajkumar, G.Sophia Reena, ” Diagnosis Of Heart Disease Using Datamining Algorithm, Global Journal of Computer Science and Technology, 2010 Suglanto D, Tatang K. Samsi, “Demam Berdarah Dengue berat dengan konfirmasi virologik”, UPF/Laboratorium Ilmu Kesehatan Anak/Rumah Sakit Sumber Waras. Fakultas Kedokteran Universitas Tarumanagara, Jakarta



Jurnal Teknologi Informasi, Volume 8 Nomor 1, April 2012, ISSN 1414-9999 [27] Pocket Book of Hospital Care for Children, Guidelines for the Management of Common Illnesses with Limited Resources, World Health Organization, 2009 [28] Xindong Wu Vipin Kumar, “The Top Ten Algorithm In Data Mining”, Universitas of Minnesota Departemen of Computer Science and Engineering, Minneapolis, Minnesota USA. 2009 [29] Manaswini Pradhan, Ranjit Kumar Sahu , "Predict the onset of diabetes disease using Artificial Neural Network (ANN) Department of Information and Communication Technology, Fakir Mohan University, Odisha, India


67

KOMPARASI ALGORITMA BACKPROPAGATION, NEAREST NEIGHBOR, DAN DESICION TREE UNTUK MENDETEKSI PENYAKIT DEMAM BERDARAH PADA PASIEN OPNAME

Recommend Documents