Metode Bagging Untuk Imbalance Class Pada Bedah Toraks Menggunakan Naïve Bayes

Fitriyani Fitriyani

Sari


Kanker paru merupakan masalah yang terjadi di Indonesia dan merokok merupakan salah satu penyebab kanker paru. Bedah toraks dapat mengobati pasien yang terkena kanker paru, akan tetapi usia hidup pasien pasca operasi yang menjadi masalah, jika kanker paru yang diderita pasien sudah parah. Usia pasien setelah satu tahun menjalani bedah toraks dapat hidup atau tidak. Dataset thoracic surgery merupakan data yang berisi tentang pasien yang menjalani bedah toraks dan usia hidup pasien setelah pasca operasi. Naïve Bayes merupakan algoritma machine learning yang sederhana dan cepat dalam hal klasifikasi, kinerja yang baik dan mudah dalam penerapannya. Banyak penelitian dalam menentukan pasien tersebut hidup atau tidak setelah satu tahun menjalani bedah toraks, salah satunya menggunakan Naïve Bayes. Dataset bedah toraks memiliki permasalahan imbalance class (ketidakseimbangan kelas) karena nilai false lebih banyak dibandingkan nilai true. Dataset yang tidak seimbang dapat menyebabkan kinerja pada model yang digunakan menurun, sehingga dibutuhkan metode yang dapat menangani permasalahan tersebut. Bagging merupakan metode yang tepat dalam menangani permasalahan imbalance class dan dapat meningkatkan kinerja dari model yang digunakan. Pada penelitian ini menggunakan model Naïve Bayes dan Bagging untuk prediksi model bedah toraks.


Kata Kunci


Kanker Paru, Thoracic Surgery, Naïve Bayes, Bagging

Referensi


Alpaydin, E. (2010). Introduction to Machine Learning. London: Massachusetts Institute of Technology.

Berndtsson, M., Hansson, J., Olsson, B., & Lundell, B. (2008). Thesis Projects A Guide for Students in Computer Science and Information Systems. London: Springer.

Catal, C., & Diri, B. (2009). A systematic review of software fault prediction studies. Expert Systems with Applications, 36(4), 7346–7354. https://doi.org/10.1016/j.eswa.2008.10.027

Danjuma, K. J. (2015). Performance Evaluation of Machine Learning Algorithms in Post-operative Life Expectancy in the Lung Cancer Patients. Journal of Computer Science Issues (IJCSI).

El-hasnony, I. M., Bakry, H. M. El, & Saleh, A. A. (2015). Comparative Study among Data Reduction Techniques over Classification Accuracy. International Journal of Computer Applications, 122(2), 9–15. https://doi.org/10.5120/21671-4752

Gao, K., Khoshgoftaar, T., & Wald, R. (2010). Combining Feature Selection and Ensemble Learning for Software Quality Estimation, 47–52.

Gorunescu, F. (2011). Data mining: concepts and techniques. Chemistry & https://doi.org/10.1007/978-3-642-19721-5

Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. https://doi.org/10.1002/1521-3773(20010316)40:6<9823::AID-ANIE9823>3.3.CO;2-C

Harun, A. U. (2015). Predicting Outcome of Thoracic Surgery by Data Mining Techniques, 5(1), 7–10.

Indonesia, P. (2003). Kanker Paru. … Diagnosis Dan Penatalaksanaan Di Indonesia. PDPI, (KANKER PARU PEDOMAN DIAGNOSIS & PENATALAKSANAAN DI INDONESIA), 19. Retrieved from http://klikpdpi.com/konsensus/konsensus-kankerparu/kankerparu.pdf

Khoshgoftaar, T. M., Van Hulse, J., & Napolitano, A. (2011). Comparing boosting and bagging techniques with noisy and imbalanced data. IEEE Transactions on Systems, Man, and Cybernetics Part A:Systems and Humans, 41(3), 552–568. https://doi.org/10.1109/TSMCA.2010.2084081

Koklu, M., Kahramanli, H., & Allahverdi, N. (2013). Applications of Rule Based Classification, (November), 1991–1998.

Laradji, I. H., Alshayeb, M., & Ghouti, L. (2015). Software defect prediction using ensemble learning on selected features. Information and Software Technology, 58, 388–402. https://doi.org/10.1016/j.infsof.2014.07.005

Lee, C.-H. (2015). A gradient approach for value weighted classification learning in naive Bayes. Knowledge-Based Systems, (May). https://doi.org/10.1016/j.knosys.2015.04.020

Liu, X.-Y., Wu, J., & Zhou, Z.-H. (2009). Exploratory Undersampling for Class Imbalance Learning. IEEE Transactions on Systems, Man and Cybernetics, 39(2), 539–550. https://doi.org/10.1109/TSMCB.2008.2007853

Sindhu, V., Prabha, S. A. S., Veni, S., & Hemalatha, M. (2014). Thoracic surgery analysis using data mining techniques, 5(April), 578–586.

Supartono, & Suryanto, A. (2012). Faktor-Faktor yang Mempengaruhi Ketahanan Hidup Satu Tahun Penderita Kanker Paru Stadium Lanjut di RSUP Dr. Kariadi Semarang. Medical Hospitalia, 1(1), 20–24.

Wahono, R. S. (2015). A Systematic Literature Review of Software Defect Prediction : Research Trends , Datasets , Methods and Frameworks, 1(1).

Wahono, R. S., & Suryana, N. (2013). Combining particle swarm optimization based feature selection and bagging technique for software defect prediction. International Journal of Software Engineering and Its Applications, 7(5), 153–166. https://doi.org/10.14257/ijseia.2013.7.5.16

Wahono, R. S., Suryana, N., & Ahmad, S. (2014). Metaheuristic Optimization based Feature Selection for Software Defect Prediction, 9(5), 1324–1333. https://doi.org/10.4304/jsw.9.5.1324-1333

Zulkifli, A. (2011). Kanker Paru. Buku Ajar iImu Penyakit Dalam, 2254–2261.




DOI: http://dx.doi.org/10.31599/jki.v18i3.281

Refbacks

  • Saat ini tidak ada refbacks.


 


 

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License
 

Lembaga Penelitian, Pengabdian kepada Masyarakat dan Publikasi Universitas Bhayangkara Jakarta Raya (LPPMP UBJ)