MODEL PREDIKTIF IDENTIFIKASI TERSANGKA TUBERKULOSIS DAN DEMAM BERDARAH MENGGUNAKAN DATA MINING

Dody Lesmana, I Putu and Hikmah, Faiqatul and Karimah, Rinda Nurul (2014) MODEL PREDIKTIF IDENTIFIKASI TERSANGKA TUBERKULOSIS DAN DEMAM BERDARAH MENGGUNAKAN DATA MINING. Seminar Nasional TeknoMedia 2014, 2 (1). hal 2.02-1. ISSN 2302-3805

	Text Similarity - MODEL PREDIKTIF IDENTIFIKASI TERSANGKA TUBERKULOSIS DAN DEMAM BERDARAH MENGGUNAKAN DATA MINING.pdf Download (2MB)
	Text MODEL PREDIKTIF IDENTIFIKASI TERSANGKA TUBERKULOSIS DAN DEMAM BERDARAH MENGGUNAKAN DATA MINING.pdf Download (580kB)

Abstract

Penyakit menular Tuberkulosis (TB) dan Demam Berdarah Dengue (DBD) merupakan dua diantara lima penyakit menular tertinggi di Indonesia. Tingginya angka insidensi dan angka kematian yang disebabkan TB dan DBD mendorong para ahli kesehatan untuk menemukan dan mencegah sedini mungkin perkembangan penyakit TB dan DBD. Karena patogenesis TB dan DBD yang kompleks dan bervariatif, maka diperlukan banyak pemeriksaan medis dalam mendiagnosis TB dan DBD yang akurat. Sebagai bentuk pencegahan dini, diperlukan suatu model prediktif untuk mengidentifikasi tersangka TB dan DBD dalam membantu penegakan diagnosis dokter lebih akurat. Pada penelitian ini dikembangkan model prediktif untuk identifikasi tersangka TB dan DBD dari fitur dominan pemeriksaan medis menggunakan metode jaringan saraf tiruan (JST)-Backpropagation. Penentuan fitur dominan dilakukan dengan data mining, seleksi fitur, menggunakan Fuzzy Entropy dari dataset rekam medis rawat inap penderita TB dan DBD. Dari hasil seleksi fitur dataset TB didapatkan empat fitur dominan teratas meliputi nyeri penekanan, keadaan kulit (gatalgatal/ dekubitus), edema, dan batuk lebih dari tiga minggu. Sedangkan lima fitur dominan teratas DBD meliputi inspeksi saluran pernapasan, integritas kulit (timbul luka/bercak pada kulit), perubahan warna kulit, dan kardiovaskuler auskultasi, dan keteraturan nadi. Hasil pengujian terbaik dari seleksi fitur untuk identifikasi tersangka TB dan DBD didapatkan pada penggunaan tujuh fitur dominan teratas dengan akurasi diatas 88% dan AUC diatas 0.8. Hal ini menunjukkan model prediktif JST-Backpropagation dapat secara akurat mengidentifikasi tersangka TB dan DBD dengan baik dan dapat digunakan sebagai sistem pendukung keputusan untuk diagnosis penderita TB dan DBD.

Actions (login required)

View Item