PEMANFAATAN TEKNIK DATA MINING UNTUK DIAGNOSIS PENYAKIT TUBERCULOSIS (TBC)

Mukhamad Hasim Iswanto, Adhistya Erna Permanasari, Hanung Adi Nugroho

Abstract


Diantara penyakit paru, penyakit yang paling menular dan berbahaya adalah Tuberculosis Paru (Tb paru). Tuberculosis (TBC) merupakan penyakit menular yang umum, dan dalam banyak kasus bersifat mematikan. Penyakit ini disebabkan oleh berbagai strainmikobakteria, umumnya Mycrobacterium tuberculosis . Tuberculosis biasanya menyerang paru-paru, namun juga bisa berdampak pada bagian tubuh lainnya. Tuberculosis menyebar melalui udara ketika seseorang dengan infeksi TB aktif batuk, bersin, atau menyebarkan butiran ludah mereka melalui udara. Metode gold standard yang menjadi rujukan para dokter untuk mendiagnosis penyakit TBC adalah Uji Tuberculin. Namun metode ini invasive, mempunyai risiko, dan mahal. Sayangnya, metode ini memakan waktu dan berkinerja buruk.Selain itu, mereka membutuhkan sensitivitas bervariasi, mycrobacterium tuberculosis basil hidup, dahak yang sulit diperoleh dari anak-anak, personil terlatih untuk menghindari kesalahan manusia, dan karenanya, biaya tinggi. Para peneliti terus mengembangkan data yang akurat metode penambangan untuk diagnosis tuberculosis cepat untuk mengurangi tingkat pertumbuhan populasi dunia pasien tuberculosis. Tujuan paper ini adalah studi literatur tentang pemanfaatan teknik penambangan data untuk mendiagnosis penyakit Tuberculosis (TBC). Beberapa penelitian tentang teknik pengolahan data terutama dari beberapa data rekam medik yang dilakukan untuk pengambilan keputusan yang cepat dalam mendiagnosis terjadinya penyakit TBC pada pasien. Kemudian membahas teknik untuk data preprocessing dan metode data mining untuk diagnosis TB saat ini digunakan. Hasilnya menunjukkan bahwa paling sering atribut yang digunakan keringat malam, batuk lebih dari 3 minggu, demam, berat badan turun , usia dan nyeri dada. Support Vector Machine dan Bayesian Network memberikan akurasi tertinggi dibandingkan dengan metode lainnya. Hasil beberapa paper tersebut menunjukkan dengan klasifikasi menggunakan teknik data mining dapat membantu dokter paru untuk pengambilan keputusan yang cepat tersebut  


Full Text:

PDF

References


G. Henry, Anatomy of the human body. Philadelphia: Lea & Febiger, 1918.

A. Konstantinos, “Testing for tuberculosis,” Aust. Prescr., vol. Volume 33 |, no. 1, Feb. 2010.

Menteri Kesehatan Republik Indonesia, “Pedoman Penanggulangan TuberkulosisS (TB).” Kemenkes Nomor 364/MENKES/SK/V/2009, Mei-2009.

I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Third Edition, 3 edition. Burlington, MA: Morgan Kaufmann, 2011.

J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, Third Edition, 3 edition. Burlington, MA: Morgan Kaufmann, 2011.

H. Dag, K. E. Sayin, I. Yenidogan, S. Albayrak, and C. Acar, “Comparison of feature selection algorithms for medical data,” in 2012 International Symposium on Innovations in Intelligent Systems and Applications (INISTA), 2012, pp. 1–5.

S. B. Kotsiantis, D. Kanellopoulos, and P. . Pintelas, “Data Preprocessing for Supervised Leaning,” Int. J. Comput. Sci., vol. 1, no. 2, 2006.

T. Asha, S. Natarajan, and K. N. B. Murthy, “A Data Mining Approach to the Diagnosis of Tuberculosis by Cascading Clustering and Classification,” ArXiv11081045 Cs, Aug. 2011.

M. Shukla and S. Agarwal, “Hybrid approach for tuberculosis data classification using optimal centroid selection based clustering,” in 2014 Students Conference on Engineering and Systems (SCES), 2014, pp. 1–5.

M. Yunus and S. Setyowibowo, “Aplikasi Sistem Pendukung Keputusan Diagnosa Penyakit Paru-paru dengan Metode Forward Chaining,” STMIK PPKIA Pradnya Paramita Malang, vol. Jurnal Teknologi Informasi Vol 2, no. 2.

T. Uçar and A. Karahoca, “Predicting existence of Mycobacterium tuberculosis on patients using data mining approaches,” Procedia Comput. Sci., vol. 3, pp. 1404–1411, 2011.

A. Bakar and F. Febriyani, “Rough Neural Network Model For Tuberculosis Patient Categorization,” Proc. Int. Conf. Electr. Eng. Inform., vol. Vol.2: Hal. 760–763, 2007.

T. Uçar, A. Karahoca, and D. Karahoca, “Tuberculosis disease diagnosis by using adaptive neuro fuzzy inference system and rough sets,” Neural Comput. Appl., vol. 23, no. 2, pp. 471–483, Aug. 2013.

Y. Benfu, S. HongMei, S. Ye, L. Xiuhui, and Z. Bin, “Study on the Artificial Neural Network in the Diagnosis of Smear Negative Pulmonary Tuberculosis,” in 2009 WRI World Congress on Computer Science and Information Engineering, 2009, vol. 5, pp. 584–588.

A. R. C. Semogan, B. D. Gerardo, B. T. Tanguilig, J. T. de Castro, and L. F. Cervantes, “A Rule-Based Fuzzy Diagnostics Decision Support System for Tuberculosis,” in 2011 9th International Conference on Software Engineering Research, Management and Applications (SERA), 2011, pp. 60–63.

V. Kumar, A. K. Abbas, and R. Mitchell, Robbins Basic Pathology, 8th ed. 2007.

Kenyorini, Suradi, and E. Surjanto, “Uji Tuberkulin,” Bagian Pulmonologi Dan Kedokt. Respirasi FK UNS RSUD Dr Moewardi Surak., vol. Jurnal Tuberkulosis Indonesia, Vol. 3 No. 2.


Refbacks

  • There are currently no refbacks.