Tugas Data Mining: Journal Review

Haii sobat Rizal Design, setelah sekian lama tidak pernah menulis di blog ini, saya kembali lagi yeay hehe. Pada postingan ini saya akan mereview sebuah jurnal sebagai salah satu tugas untuk Mata Kuliah Data Mining 7G. 

Kali ini saya akan mereview sebuah jurnal dengan judul "Automatic Rule Generator via FP-Growth for Eye Diseases Diagnosis". Jurnal ini dapat teman-teman download dengan mengklik link ini pdf file.

Pada penelitian algoritma yang digunakan adalah algoritma FP-Growth (Frequent Pattern Growth). Algoritma FP-Growth merupakan algortima yang dapat digunakan untuk memperbaiki kekurangan yang terdapat pada algoritma apriori. Pada algoritma FP-Growth untuk mendapatkan frequent itemsets nya menggunakan konsep pembangunan tree, tidak seperti pada algoritma Apriori yang memerlukan generate candidate. Dengan kata lain, fitur utama dari algoritma FP-Growth adalah FP-Tree yang digunakan sebagai stuktur datanya. Data yang digunakan dalam penelitian ini merupakan data yang di ambil dari Rumah Sakit Sumatera Eye Center (SMEC) di Pekanbaru, Riau, Indonesia.

Didalam algoritma FP-Growth, terdapat 4 langkah utama yang digunakan untuk merancang algoritma ini.

1. Selection, pada tahapan ini dilakukan sebuah pemilihan atribut dan menghapus atribut yang tidak diperlukan.
2. Pre-processing, pada tahapan ini dilakukan penghapusan terhadap data-data yang duplicate atau ganda dan tidak lengkap. Pada penelitian ini teknik yang digunakan disebut Missing Completely at Random (MCAR).
3. Data Transformation, pada tahapan ini data yang ada dilakukan modifikasi. Modifikasi yang dimaksud disini adalah seperti melakukan sebuah konversi terhadap tipe data yang numerik menjadi tipe data binominal.
4. Experiment to get rules based on the FP-Growth algorithm, pada tahapan terakhir ini akan dilakukan penerapan algoritma FP-Growth.

Setelah dilakukannya penerapan algoritma FP-Growth, dapat kita lihat hasil yang didapat pada tabel dibawah ini:

Dari tabel diatas dapat kita lihat bahwa penelitian ini menggunakan minimum support 3%, 10%, dan 20%. Sementara itu minimum confidence yang digunakan adalah 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90%, dan 100%. Ketika minimum support yang digunakan semakin tinggi, maka pola yang didapat maka akan semakin rendah.

Dari hasil tes yang dilakukan, dari 9 jenis penyakit mata yang terdapat pada data, hanya 2 penyakit mata yang memenuhi persyaratan yaitu penyakit Presbyopia dengan 225 kasus dan Conjunctivitis 167 kasus, dengan rata-rata umur penderitanya antara 31-59 tahun. Terakhir, pada penlitian ini penggunaan algoritma FP-Growth dikategorikan baik, karena berhasil mendapat akurasi sebesar 88%. 

Nah, itulah sedikit ulasan saya untuk Tugas Data Mining: Journal Review. Semoga ulasan saya ini bermanfaat untuk teman-teman pembaca semua. Terimakasih dan sampai jumpa di postingan saya berikutnya.

 

        

Tweet

Related Posts: