Klasifikasi Multi-Class Penyakit Jantung Dengan SMOTE dan Pearson’s Correlation menggunakan MLP

Rahmad Firdaus; Desti  Mualfah; Julian Silvia  Hasanah

doi:10.37859/coscitech.v4i1.4769

Rahmad Firdaus
Desti Mualfah Universitas Muhammadiyah Riau
Julian Silvia Hasanah Universitas Muhammadiyah Riau

https://doi.org/10.37859/coscitech.v4i1.4769

Abstract

Penyakit jantung merupakan penyakit paling mematikan didunia. Laporan WHO tahun 2019 menyebutkan penyakit jantung sebagai penyebab kematian tertinggi didunia dengan persentase 16% dari jumlah kematian atau 8.9 juta kematian. Tingginya kematian yang disebabkan oleh penyakit ini terjadi karena penyakit ini biasanya timbul tanpa adanya gejala sehingga sulit untuk diketahui sejak dini oleh penderita. Salah satu cara untuk mengatasi permasalahan tersebut adalah dengan pemanfaatan metode klasifikasi. Hasil klasifikasi multi-class pada penelitian sebelumnya dengan dataset dan metode yang sama masih terbilang rendah yang salah satunya disebabkan oleh adanya imbalace data. Untuk itu dibutuhkan teknik balancing data serta feature selection (FS) untuk melihat pengaruh imbalance data dan pengaruh korelasi fitur pada klasifikasi multi-class. Pada penelitian ini menggunakan Synthetic Minority Over-sampling Technique (SMOTE) untuk balancing data dan Pearson’s Correlation (PS) untuk memilih fitur dengan korelasi yang baik pada klasifikasi penyakit jantung menggunakan metode Multi-Layer Perceptron (MLP). Penelitian ini dengan MLP+Pearson’s Correlation hanya mendapatkan akurasi tertinggi sebesar 63.33%. Akurasi tertinggi dengan penggabungan metode MLP+SMOTE+Pearson’s Correlation sebesar 92.5%. Serta akurasi tertinggi pada penelitian ini didapat menggunakan metode MLP+SMOTE yaitu sebesar 97.5%.

Downloads

Download data is not yet available.

References

[1] R. Purbaningtyas, “Analisa Denyut Jantung Menggunakan Aplikasi Mobile Self Integrated BioInformatics System,” Jurnal Teknologi Informasi dan Terapan, vol. 6, no. 2, pp. 67–74, Dec. 2019, doi: 10.25047/jtit.v6i2.113.
[2] D. Selvia and A. Vradinatika, “Fungsi Tomat Sebagai Anti Aterosklerosis Dalam Pencegahan Penyakit Jantung Koroner,” Jurnal Kesehatan Pena Medika, vol. 10, no. 1, 2020.
[3] A. Nurmasani and Y. Pristyanto, “Algoritme Stacking Untuk Klasifikasi Penyakit Jantung Pada Dataset Imbalanced Class,” Jurnal Pseudocode, vol. 8, no. 1, pp. 21–26, 2021, [Online]. Available: www.ejournal.unib.ac.id/index.php/pseudocode
[4] Y. Dwi Hastuti, E. Dwi Mulyani, P. Sarjana Keperawatan, D. Ilmu Keperawatan, F. Kedokteran, and U. Diponegoro, “Kecemasan Pasien Dengan Penyakit Jantung Koroner Paska Percutaneous Coronary Intervention,” Jurnal Perawat Indonesia, vol. 3, no. 3, pp. 167–174, 2019.
[5] D. Rahayu et al., “Deteksi Dini Penyakit Tidak Menular Pada Lansia,” Jurnal Peduli Masyarakat, vol. 3, no. 1, pp. 91–96, 2021.
[6] D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” Jurnal Media Informatika Budidarma, vol. 4, no. 2, pp. 437–444, Apr. 2020, doi: 10.30865/mib.v4i2.2080.
[7] M. Nahiduzzaman, Md. J. Nayeem, Md. T. Ahmed, and Md. S. U. Zaman, “Prediction of Heart Disease Using Multi-Layer Perceptron Neural Network and Support Vector Machine,” International Conference on Electrical Information and Communication Technology (EICT), 2019.
[8] I. Elujide, S. G. Fashoto, B. Fashoto, E. Mbunge, S. O. Folorunso, and J. O. Olamijuwon, “Application of deep and machine learning techniques for multi-label classification performance on psychotic disorder diseases,” Inform Med Unlocked, vol. 23, Jan. 2021, doi: 10.1016/j.imu.2021.100545.
[9] R. Vohra, A. Hussain, A. K. Dudyala, J. Pahareeya, and W. Khan, “Multi-class classification algorithms for the diagnosis of anemia in an outpatient clinical setting,” PLoS One, vol. 17, no. 7 July, pp. 1–18, Jul. 2022, doi: 10.1371/journal.pone.0269685.
[10] D. Mualfah, W. Fadila, and R. Firdaus, “Teknik SMOTE untuk Mengatasi Imbalance Data pada Deteksi Penyakit Stroke Menggunakan Algoritma Random Forest,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 3, no. 2, pp. 107–113, Aug. 2022, doi: 10.37859/coscitech.v3i2.3912.
[11] H. Mukhtar, R. Muhammad, T. Reny Medikawati, and Yoze Rizki, “Peramalan Kedatangan Wisatawan Mancanegara Ke Indonesia Menurut Kebangsaan Perbulannya Menggunakan Metode Multilayer Perceptron,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 2, no. 2, pp. 113–119, Dec. 2021, doi: 10.37859/coscitech.v2i2.3324.
[12] G. Magesh and P. Swarnalatha, “Optimal feature selection through a cluster-based DT learning (CDTL) in heart disease prediction,” Evol Intell, vol. 14, no. 2, pp. 583–593, Jun. 2020, doi: 10.1007/s12065-019-00336-0.
[13] P. S. Patil, “Automated Heart Disease Recogniton System,” International Journal of Research in Engineering and Science (IJRES) ISSN, vol. 9, no. 8, pp. 18–23, 2021, [Online]. Available: www.ijres.org18|
[14] S. Subhash Mandavkar, K. J. Somaiya, A. Sukhdev Jagdale, P. Pandurang Shinde, and V. Pinjarkar, “Heart diseases prediction system using classification and genetic algorithm,” International Conference on Advances in Science & Technology, 2021, [Online]. Available: https://ssrn.com/abstract=3866565
[15] A. Abdellatif, H. Abdellatef, J. Kanesan, C. O. Chow, J. H. Chuah, and H. M. Gheni, “An Effective Heart Disease Detection and Severity Level Classification Model Using Machine Learning and Hyperparameter Optimization Methods,” IEEE Access, vol. 10, pp. 79974–79985, 2022, doi: 10.1109/ACCESS.2022.3191669.