Perbandingan Algoritma C4.5 dan Adaptive Boosting dalam Klasifikasi Penyakit Alzheimer

Alda Amalia Mortara; Mitta Permatasari; Anita Desiani; Yuli Andriani; Muhammad Arhami

doi:10.34010/jati.v13i2.10525

Alda Amalia Mortara Universitas Sriwijaya
Mitta Permatasari Universitas Sriwijaya
Anita Desiani Universitas Sriwijaya
Yuli Andriani Universitas Sriwijaya
Muhammad Arhami Politeknik Negeri Lhokseumawe

DOI: https://doi.org/10.34010/jati.v13i2.10525

Keywords: Data Mining, Klasifikasi, Alzheimer, C4.5, AdaBoost, Percentage Split, K-fold Cross Validation

Abstract

Penyakit alzheimer adalah penyakit yang menyerang sistem saraf di dalam otak. Penyakit ini dapat menyebabkan terganggunya aktivitas sehari-hari, ingatan yang tidak terorganisir, dan berkurangnya daya ingat. Deteksi dini penyakit alzheimer dapat memanfaatkan pendekatan matematis menggunakan data mining. Data mining memiliki model-model klasifikasi yang dapat digunakan untuk mendeteksi dini penyakit alzheimer. Beberapa algoritma yang dapat digunakan untuk klasifikasi diantaranya adalah C4.5 dan Adaptive Boosting (AdaBoost) yang diterapkan pada penelitian ini untuk mengklasifikasikan penyakit alzheimer. Perbandingan kedua algoritma ini bertujuan untuk memperoleh algoritma mana yang paling tepat dalam klasifikasi penyakit alzheimer. Untuk menguji kedua algoritma ini digunakan dua teknik pengujian yaitu percentage split dan k-fold cross validation. Pada percentage split dipilih ukuran split sebesar 80% untuk data latih dan 20% sebagai data uji dan k-fold cross validation dipilih nilai k sebesar 10. Hasil penerapan dari kedua algoritma diperoleh bahwa untuk k-fold cross validation bekerja lebih baik dibandingkan dengan percentage split. Hal ini dikarenakan k-fold cross validation meningkatkan persentase nilai presisi, recall, dan akurasi dari masing-masing algoritma. Untuk kinerja masing-masing algortima, AdaBoost dalam penggunaanya bekerja lebih baik dibandingkan dengan C4.5 dengan nilai presisi, recall dan akurasi secara berturut-turut, yaitu 91.5%, 91% dan 91.15%. Dari hasil yang diperoleh dapat disimpulkan bahwa algoritma AdaBoost dengan teknik k-fold cross validation memiliki performa yang paling baik dalam melakukan klasifikasi penyakit alzheimer dibandingkan algoritma dan teknik pengujian lainnya.

References

Z. Breijyeh and R. Karaman, “Comprehensive Review on Alzheimer ’ s Disease :,” Molecules, vol. 25, p. 5789, 2020, doi: 10.3390/molecules25245789.

M. V. F. Silva, C. D. M. G. Loures, L. C. V. Alves, L. C. De Souza, K. B. G. Borges, and M. D. G. Carvalho, “Alzheimer’s disease: Risk factors and potentially protective measures,” Journal of Biomedical Science., vol. 26, no. 1, pp. 1–11, 2019, doi: 10.1186/s12929-019-0524-y.

P. Scheltens et al., “Alzheimer’s disease,” The Lancet, vol. 388, no. 10043, pp. 505–517, 2016, doi: 10.1016/S0140-6736(15)01124-1.

S. Hendrian, “Algoritma Klasifikasi Data Mining Untuk Memprediksi Siswa Dalam Memperoleh Bantuan Dana Pendidikan,” Faktor Exacta, vol. 11, no. 3, pp. 266–274, 2018, doi: 10.30998/faktorexacta.v11i3.2777.

A. Cherfi, K. Nouira, and A. Ferchichi, “Very Fast C4.5 Decision Tree Algorithm,” Applied Artificial Intelligence., vol. 32, no. 2, pp. 119–137, 2018, doi: 10.1080/08839514.2018.1447479.

M. F. Hasani and Sutikno, “Implementasi Algoritma C4.5 Untuk Klasifikasi Penyakit Infeksi Saluran Kemih Berbasis Web,” Jurnal Ilmiah Informatika Komputer., vol. 26, no. 3, pp. 233–246, 2021, doi: 10.35760/ik.2021.v26i3.4710.

A. Sepharni, I. E. Hendrawan, and C. Rozikin, “Klasifikasi Penyakit Jantung dengan Menggunakan Algoritma C4.5,” STRING (Satuan Tulisan Riset dan Inovasi Teknologi., vol. 7, no. 2, p. 117, 2022, doi: 10.30998/string.v7i2.12012.

Z. Gustiana, “Penerapan Algoritma C 4.5 Dalam Sistem Pendukung Keputusan Evaluasi Kinerja Fasilitator Pamsimas (Studi Kasus Di Kabupaten Kampar),” Djtechno Jurnal Teknologi Informasi, vol. 1, no. 1, pp. 20–28, 2021, doi: 10.46576/djtechno.v1i1.967.

Z. Fan, F. Xu, C. Li, and L. Yao, “Application of KPCA and AdaBoost algorithm in classification of functional magnetic resonance imaging of Alzheimer’s disease,” Neural Computing and Applications., vol. 32, no. 10, pp. 5329–5338, 2020, doi: 10.1007/s00521-020-04707-y.

Z. Ghadiri Modarres, M. Shabankhah, and A. Kamandi, “Making AdaBoost Less Prone to Overfitting on Noisy Datasets,” in 2020 6th International Conference on Web Research (ICWR), 2020, pp. 251–259, doi: 10.1109/ICWR49608.2020.9122292.

T. R. Mahesh et al., “AdaBoost Ensemble Methods Using K-Fold Cross Validation for Survivability with the Early Detection of Heart Disease,” Computational Intelligence and Neuroscience, 2022, doi: 10.1155/2022/9005278.

A. Byna and M. Basit, “Penerapan Metode Adaboost Untuk Mengoptimasi Prediksi Penyakit Stroke Dengan Algoritma Naïve Bayes,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 9, no. 3, pp. 407–411, 2020, doi: 10.32736/sisfokom.v9i3.1023.

E. Listiana and M. A. Muslim, “Penerapan AdaBoost untuk Klasifikasi Support Vector Machine Guna Meningkatkan Akurasi pada Diagnosa Chronic Kidney Disease,” in Prosiding SNATIF (Buku 3), 2017, pp. 875–881.

O. Hornyák and L. B. Iantovics, “AdaBoost Algorithm Could Lead to Weak Results for Data with Certain Characteristics,” Mathematics, vol. 11, no. 8, p. 1801, Apr. 2023, doi: 10.3390/math11081801.

D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Computer Engineering Science and System Journal, vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.

V. R. Joseph and A. Vakayil, “SPlit: An Optimal Method for Data Splitting,” Technometrics, vol. 64, no. 2, pp. 166–176, 2022, doi: 10.1080/00401706.2021.1921037.

Y. A. Rindri and A. Fitriyani, “Analisis Perbandingan Kinerja Algoritma Multilayer Perceptron dan K-Nearest Neighbor pada Klasifikasi Tipe Migrain,” Jurnal Teknologi dan Informasi (JATI), vol. 13, no. 1, 2023, doi: 10.34010/jati.v13i1.

N. P. Wong, F. N. S. Damanik, Christine, E. S. Jaya, and R. Rajaya, “Perbandingan Algoritma C4.5 dan Classification and Regression Tree (CART) Dalam Menyeleksi Calon Karyawan,” Jurnal SIFO Mikroskil, vol. 20, no. 1, pp. 11–18, 2019, doi: 10.55601/jsm.v20i1.622.

Normah, I. Yulianti, D. Novianti, M. N. Winnarto, A. Zumarniansyah, and S. Linawati, “Comparison of Classification C4.5 Algorithms and Naïve Bayes Classifier in Determining Merchant Acceptance on Sponsorship Program,” Journal of Physics: Conference Series, vol. 1641, no. 1, 2020, doi: 10.1088/1742-6596/1641/1/012006.

F. Husna, H. Rahman, and J. Juhari, “Implementasi Data Mining Menggunakan Algoritma C4.5 pada Klasifikasi Penjualan Hijab,” Jurnal Riset Mahasiswa. Matematika, vol. 2, no. 2, pp. 40–46, 2022, doi: 10.18860/jrmm.v2i2.14891.

V. Junita and F. A. Bachtiar, “Klasifikasi Aktivitas Manusia menggunakan Algoritme Decision Tree C4.5 dan Information Gain untuk Seleksi Fitur,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 10, pp. 9426–9433, 2020.

A. Bisri and R. S. Wahono, “Penerapan Adaboost untuk Penyelesaian Ketidakseimbangan Kelas pada Penentuan Kelulusan Mahasiswa dengan Metode Decision Tree,” Journal of Intelligent System, vol. 1, no. 1, pp. 27–32, 2015.

I. Düntsch and G. Gediga, “Confusion Matrices and Rough Set Data Analysis,” Journal of Physics: Conference Series, vol. 1229, no. 1, 2019, doi: 10.1088/1742-6596/1229/1/012055.

A. Desiani et al., “Penerapan Metode Support Vector Machine Dalam Klasifikasi Bunga Iris,” IJAI (Indonesian Journal of Applied Informatics), vol. 7, no. 1, pp. 12–18, 2022, doi: 10.20961/ijai.v7i1.61486.