DIAGNOSIS PENYAKIT JANTUNG KORONER MENGGUNAKAN PENAMBANGAN DATA BERBASIS VARIABLE PRECISION ROUGH SET (VPRS) DAN REPEATED INCREMENTAL PRUNING TO PRODUCE ERROR REDUCTION (RIPPER)

DWI NORMAWATI, Hanung Adi Nugro, S.T., M.E., Ph.D; Noor Akhmad Setiawan, S.T., M.T., Ph.D

2016 | Tesis | S2 Teknik Elektro

Penyakit jantung koroner merupakan penyakit yang sering menjadi penyebab kematian pada manusia. Deteksi penyakit jantung koroner secara medis menggunakan ECG atau tes treadmill yang membutuhkan biaya mahal, mempunyai resiko dan hasil akurasi diagnosisnya terkadang tidak memuaskan. Tujuan dari penelitian ini adalah melakukan diagnosis penyakit jantung koroner berbasis komputer. Diagnosis penyakit jantung koroner berbasis komputer akan dilakukan dengan metode data mining berbasis rules pada dataset Cleveland. Pada penelitian ini, metode data mining berbasis rules yang digunakan adalah Variable Precision Rough Set (VPRS) dan Repeated Incremental Pruning To Produce Error Reduction (RIPPER). Metode dipilih untuk menemukan pola aturan/rules pengetahuan yang sederhana dari data yang besar, tidak tepat dan ambigu. Metode kombinasi rules VPRS dan RIPPER akan diterapkan untuk mendapatkan peningkatan performa klasifikasi. Kemampuan kombinasi rules yang dihasilkan diujicobakan pada metode data mining VPRS dan RIPPER. Ujicoba dilakukan menggunakan dataset Cleveland dengan perlakuan pengacakan dataset sebanyak 30 kali. Metode dikombinasikan berbasis rules, kemudian akan dilakukan evaluasi performa berdasarkan nilai sensitivitas, akurasi, uji t-test dan kurva ROC. Hasil performa metode VPRS dan RIPPER akan dibandingkan ketika metode diterapkan secara individu dan ketika diterapkan dengan pengkombinasian. Hasil menunjukan metode kombinasi VPRS dan RIPPER memiliki performa lebih unggul dengan nilai akurasi sebesar 92,99%, sedangkan performa metode jika diterapkan secara individu VPRS 75,22% dan RIPPER 88,13%. Nilai sensitivitas kombinasi metode VPRS dan RIPPER lebih unggul dibandingkan metode VPRS dan RIPPER diterapkan secara individu dengan perolehan nilai sensitivitas sebesar 88,71%.

Coronary heart disease often causes of deaths on human. Detection of coronary disease usually uses ECG and treadmill test. It has risks : the result are sometimes not satisfactory and it is costly. The purpose of this research is to perform diagnosis of coronary heart disease based on computer. Diagnosis of coronary heart disease based on computer will be done with data mining methods rules, based on Cleveland dataset. In this research, data mining methods based on rules used are Variable Precision Rough Set (VPRS) and Repeated Incremental Pruning To Produce Error Reduction (RIPPER). The methods is chosen to find simple pattern of rules knowledge large, imprecise, and ambiguous data. The combination of VPRS and RIPPER rules will be applied to obtain increased performance classification. The ability of result combination rules are tested on data mining methods VPRS and RIPPER. Experiments are conducted using Cleveland dataset with randomization dataset 30 times. Those rule based methods are combined and then will be evaluated based on performance values sensitivity, accuracy, t-test and ROC curve. The results of performance VPRS and RIPPER methods will be compared in individual and combination basis. The result show that combination VPRS and RIPPER methods have superior performance with accuracy value 92,99%, while performance methods when it is applied individually VPRS 75,22% and RIPPER 88,13%. The sensitivity value combination VPRS and RIPPER methods is superior when VPRS and RIPPER methods are applied individually with sensitivity value 88,71%.

Kata Kunci : Penyakit Jantung Koroner, VPRS, RIPPER, Dataset Cleveland