IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI PENYAKIT INFEKSI SALURAN KEMIH BERBASIS WEB

Muhammad Fikri Hasani; Sutikno Sutikno

doi:10.35760/ik.2021.v26i3.4710

IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI PENYAKIT INFEKSI SALURAN KEMIH BERBASIS WEB

Muhammad Fikri Hasani
Computer Science Department, School of Computer Science, Bina Nusantara University
Indonesia

Sutikno Sutikno
Program Studi Teknik Informatika, Fakultas Sains dan Matematika, Universitas Diponegoro
Indonesia

DOI: http://dx.doi.org/10.35760/ik.2021.v26i3.4710

Abstract

Infeksi saluran kemih merupakan penyakit sistem saluran kemih yang disebabkan oleh bakteri, dengan 90-100 kasus per 100.000 penduduk pertahun. Infeksi saluran kemih terdiri dari infeksi saluran kemih bawah atau cystitis dan infeksi saluran kemih atas atau pyelonephritis. Kedua penyakit ini memiliki ciri-ciri seperti sering buang air, nyeri punggung bawah, mual-mual, rasa perih saat berkemih, atau rasa terbakar pada alat kelamin. Sistem yang dibuat bertujuan untuk membantu dokter dalam melakukan diagnosa awal kepada pasien berdasarkan gejala yang dimiliki pasien, apakah menderita cystisis, pyelonephritis, keduanya, atau tidak menderita kedua penyakit tersebut. Metode pohon keputusan C4.5 digunakan pada penelitian ini karena diketahui memiliki tingkat akurasi yang tinggi pada penelitian-penelitian sebelumnya yang didominasi parameter data nomimal. Pengujian kinerja sistem yang dibangun menggunakan pengujian akurasi, sensitivity dan specificity. Hasil pengujian menghasilkan akurasi rata-rata 95%, sensitivity rata-rata sebesar 96.667%, dan specificity rata-rata sebesar 92.226% pada model pohon cystitis, diikuti oleh model pohon pyelonephritis dengan akurasi rata-rata sebesar 94%, sensitivity rata-rata sebesar 90%, dan specificity rata-rata sebesar 97.143%. Selain itu, pengujian menggunakan blackbox texting terhadap requirements sistem juga menunjukkan bahwa sistem dapat dijalankan dengan baik

Keywords

C4.5; Cystitis; Pyelonephritis

References

C. Tan, and M. Chlebicki, “Urinary tract infections in adults”, Singapore Medical Journal, Vol. 57, No. 9, pp. 485–490. 2016.

P. V. Darsono, D. Mahdiyah, F. Fahrianti, “Gambaran Karakteristik Ibu Hamil Yang Mengalami Infeksi Saluran Kemih (Isk) di Wilayah Kerja Puskesmas Pekauman Banjarmasin”, Dinamika Kesehatan, Vol. 7, No. 1, pp. 162-170. 2016.

R. Li, and S.W. Leslie, “Cystitis”, Treasure Island (FL): StatPearls Publishing. [Online], Available: https://www.ncbi.nlm.nih.gov/books/NBK482435/. [Accessed: Jul 3, 2021].

R. Li, and S.W. Leslie, “Acute Pyelonephritis”, Treasure Island (FL): StatPearls Publishing. [Online], Available: https://www.ncbi.nlm.nih.gov/books/NBK519537, [Accessed: Jul 3, 2021].

H. Llewelyn, H.A. Ang, K. Lewis, and A. Al-Abdullah, Oxford handbook of clinical diagnosis. New York, USA: Oxford University Press, 2014.

H. Zhou, “A brief introduction to weakly supervised learning”, National science review, Vol. 5, No. 1, pp. 44-53. 2018.

C. Chazar, and B. Erawan, “Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine”, Jurnal Informatika dan Sistem Informasi, Vol. 12, No. 1, pp. 67-80, 2020.

Z. A. Leleury, and B.P. Tomasouw, “Diagnosa Penyakit Saluran Pernapasan Dengan Menggunakan Support Vector Machine (SVM)”, Barekeng: Jurnal Ilmu Matematika dan Terapan, Vol. 9, No. 2, pp 109-119. 2015

H.T. Sihotang, “Perancangan Aplikasi Sistem Pakar Diagnosa Diabetes Dengan Metode Bayes”, Jurnal Mantik Penusa, Vol. 1, No. 1, 2017.

Y. Yuliyana, and A.S.R.M. Sinaga, “Sistem Pakar Diagnosa Penyakit Gigi Menggunakan Metode Naive Bayes”. Fountain of Informatics Journal, Vol. 4, No. 1, pp. 19-23. 2019.

A. Mujahidin, and D. Pribadi, “Penerapan Algoritma C4. 5 untuk Diagnosa Penyakit Pneumonia Pada Anak Balita Berbasis Mobile”. Jurnal Swabumi, Vol. 5, No. 2, pp. 155-161. 2017.

I. M. Nasser, and S.S. Abu-Naser, “Lung cancer detection using artificial neural network”, International Journal of Engineering and Information Systems, Vol. 3, No. 3, pp. 17-23. 2019

J. Czerniak, and H. Zarzycki, “Application of rough sets in the presumptive diagnosis of urinary system diseases”, In Proc. Artifical Inteligence and Security in Computing Systems, ACS'2002 9th International Conference Proceedings. 2003. pp. 41-51, 2003

J. R. Quinlan, C45: Program for Machine Learning, Massachusetts: Morgan Kaufmann Publisher, 1992.

W. Wiharto, H. Kusnanto, and Herianto, “Interpretation of Clinical Data Based on C4.5 Algorithm for the Diagnosis of Coronary Heart Disease”. Healthcare Informatics Research, Vol. 22, No. 3, Jul, pp. 186-195. 2016.

V. S. Sowmien, K. Palani, T.R. Vijayaram, and V. Sugumaran, “Diagnosis of Hepatitis using Decision Tree Algorithm”, International Journal of Engineering and Technology, Vol. 8, No. 3, pp. 1415-1419. 2016.

Sucipto, Kusrini, and E.L. Taufiq, “Classification method of multi-class on C4.5 algorithm for fish diseases”, In 2016 2nd International Conference on Science in Information Technology (ICSITech), 2016, pp. 5-9.

K. A. Scorza, A. Williams, J.D. Phillips, and J. Shaw, “Evaluation of nausea and vomiting”. American family physician, Vol. 76, No. 1, pp. 76-84. 2007.

W. Hochreiter, “Das schmerzhafte Wasserlösen (Dysurie, Algurie) [Painful micturition (dysuria, algiuria)]”, Therapeutische Umschau. Revue therapeutique, Vol. 53, No. 9, pp. 668–671. 1996.

T. C. Michels, and J. E. Sands, “Dysuria: evaluation and differential diagnosis in adults”, American Family Physician, Vol. 92, No. 9, pp. 778-786. 2015.

R. Parikh, A. Mathai, S. Parikh, G.C. Sekhar, and R. Thomas, “Understanding and using sensitivity, specificity and predictive values”, Indian journal of ophthalmology, Vol. 56, No. 1, pp. 45–50, 2008.

P. Chaurasia, “Associative Arrays in PHP”, 2021 [Online], Available: https://www.geeksforgeeks.org/associative-arrays-in-php/. [Accessed: Feb. 19, 2022].