ABSTRAK
Salah satu hal menantang dalam pengaplikasian teknologi informasi,
khususnya pada bidang kedokteran, adalah untuk mendeteksi penyakit-penyakit
yang mirip melalui gejala-gejala umum. Kasus yang diambil dalam penelitian
tugas akhir ini adalah penyakit demam berdarah, malaria dan typhus. Sistem pakar
yang dibuat memanfaatkan agregasi nilai probabilistik hasil pembelajaran mesin
dengan support vector machine dan regresi logistik dalam mendiagnosa penyakit.
Dengan sistem ini diharapkan dapat membantu user dalam mengambil keputusan
terkait diagnosa terhadap penyakit-penyakit tersebut. Pengimplementasian sistem
pakar ini dilakukan dengan memanfaatkan bahasa pemrograman Java dan
perangkat Weka dengan 142 data pelatihan yang didapatkan dari data medis
pasien. Hasil pengujian yang dilakukan terhadap 40 data testing oleh beberapa
pakar, yang terdiri dari dua orang dokter dan lima mahasiswa kedokteran tingkat
akhir, menunjukkan bahwa aplikasi yang dibuat memiliki akurasi yang setara
dengan pakar dengan tingkat kepercayaan statistik sebesar 95%. Keunggulan lain
dari aplikasi yang dibuat adalah dapat melakukan penyimpanan data medis dan
memberikan saran untuk melakukan pengujian laboratorium atau tidak
berdasarkan gejala-gejala yang dialami pasien.
ABSTRACT
One of recent challenges' in medical information system is to provide a
high performance system to diagnose similar diseases. In this final project three
such similar diseases are explored, i.e.: Dengue Fever, Malaria, and Typhoid.
The main objective of the research is to explore an aggregation method of
probabilistic models to diagnose similar diseases. Based on the aggregation
method an expert system is developed which gives medical diagnosis and
recommendation to the users. Around 142 real medical records data are
employed to the build probabilistic models based on support vector machine and
logistic regression algorithms. The experimental results by using 40 testing data
show that the developed expert system has a comparable accuracy performance
compared to expert judgments with a 95% statistical confidence.
Another
advantage of the application made to perform medical data storage and provide
suggestions for laboratory testing or not based on the symptoms experienced by
the patient.
DAFTAR ISI
KATA PENGANTAR ... i
PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ...iv
PERNYATAAN ORISINALITAS LAPORAN PENELITIAN ... v
ABSTRAK ...vi
ABSTRACT ... vii
DAFTAR ISI... viii
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ... xv
BAB I ... 1
PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Perumusan Masalah ... 2
1.3 Tujuan Pembahasan ... 2
1.4 Ruang Lingkup Kajian ... 3
1.5 Sumber Data ... 3
1.6 Sistematika Penyajian ... 4
BAB II ... 5
KAJIAN TEORI ... 5
2.1. Sistem Pakar ... 5
2.1.1. Keuntungan Sistem pakar ... 5
2.2. Machine Learning ... 5
2.2.1. Supervised Learning ... 6
2.2.2. Unsupervised Learning ... 7
2.3. Support Vector Machine ... 7
2.3.1. Non-Linear Classification (Klasifikasi yang tidak Linier)... 8
2.3.2. Karakteristik Support Vector Machine (SVM) ... 9
2.3.3. Kelebihan Support Vector Machine (SVM) ... 9
2.3.4. Kekurangan Support Vector Machine (SVM) ... 10
2.3.5. Contoh pemanfaatan Support Vector Machine ... 10
2.4. Regresi Logistik ... 11
2.6. Malaria ... 13
2.6.1. Agen Penyakit Malaria ... 14
2.7. Demam Berdarah ... 15
2.7.1. Kriteria Demam Berdarah Dengue (DBD). ... 15
2.8. Typus ... 16
2.8.1. Manifestasi Klinik ... 16
2.9. Kemiripan Gejala Penyakit ... 17
2.10. Weka ... 17
2.10.1. Weka API ... 18
2.11. Uji t – test ... 20
2.12 Sistem Sejenis ... 22
BAB III ... 23
ANALISIS DAN PERANCANGAN ... 23
3.1. Gambaran Aplikasi ... 23
3.2. Ekperimen awal ... 25
3.2.1 Data penyakit ... 25
3.2.2 Arsitektur Sistem ... 25
3.3. Use case dan Activity Diagram ... 29
3.3.1. Use case ... 29
3.3.2. Activity Diagram Tambah Data Pasien ... 31
3.3.3. Activity Diagram Tambah Detail History ... 32
3.3.4. Activity Diagram Tambah History ... 33
3.3.5. Activity Diagram Tambah Detail Alergi Obat ... 34
3.3.6. Activity Diagram Tambah Alergi Obat ... 35
3.3.7. Activity Diagram Tambah Detail Keluhan ... 36
3.3.8. Activity Diagram Tambah Keluhan ... 37
3.3.9. Activity Diagram Konsultasi Setelah Cek Darah dengan SVM ... 38
3.3.10. Activity Diagram Konsultasi Setelah Cek Darah dengan Regresi Logistik ... 41
3.3.11. Activity Diagram Konsultasi Sebelum Cek Darah ... 43
3.3.12. Activity Diagram Tambah Detail Obat Di luar Pengobatan ... 46
3.3.13. Activity Diagram Tambah Obat Di luar Pengobatan ... 47
3.3.14. Activity Diagram Tambah Tes Darah Pasien ... 48
3.3.15. Activity Diagram Lihat Data Record ... 49
3.4. ERD ... 51
3.5. User Interface ... 52
3.5.1. User Interface Tampilan Awal ... 52
3.5.2. User Interface Konsultasi Setelah Cek Darah metode SVM ... 53
3.5.3. User Interface Konsultasi Setelah Cek Darah metode Regresi Logistik ... 54
3.5.4. User Interface Hasil Diagnosa ... 55
3.5.5. User Interface Konsultasi Pre Test ... 56
3.5.6. User Interface Konsultasi Post Test ... 57
3.5.7. User Interface Tambah Pasien ... 58
3.5.8. User Interface Tambah Detail History ... 59
3.5.9. User Interface Tambah Alergi Obat Pasien ... 60
3.5.10. User Interface Record ... 62
BAB IV ... 63
PENGEMBANGAN PERANGKAT LUNAK ... 63
4.1. Implementasi Sistem Pembentukan Instances ... 63
4.2. Implementasi Sistem Pengecekan Instances ... 64
4.3. Implemantasi agregasi ... 66
4.4. Implementasi Antar Muka ... 67
4.4.1 Tampilan Halaman Utama ... 68
4.4.2 Tampilan Halaman Tambah Pasien ... 70
4.4.3 Tampilan Halaman Tambah History Pasien ... 71
4.4.4 Tampilan Halaman Tambah Alergi Obat Pasien ... 73
4.4.5 Tampilan Halaman Konsultasi Setelah Cek Darah dengan SVM ... 75
4.4.6 Tampilan Halaman Konsultasi Setelah Cek Darah dengan Regresi Logistik .. 76
4.4.7 Tampilan Halaman Konsultasi Sebelum Cek Darah(Pre test) ... 78
4.4.8 Tampilan Halaman Konsultasi Post test ... 79
4.4.9 Tampilan Halaman Hasil Diagnosa ... 81
4.4.10 Algoritma Agregasi ... 81
4.4.11 Tampilan Halaman Record ... 84
BAB V ... 86
TESTING DAN EVALUASI SISTEM ... 86
5.1 Evaluasi Perbandingan Kinerja Metode Max dengan Metode 1 Classifier ... 86
5.2 Pengambilan Keputusan Keperluan Cek Darah ... 90
5.3.1 Testing Data dengan Mahasiswa Pertama... 91
5.3.2 Testing Data dengan Mahasiswa Kedua ... 92
5.3.3 Testing Data dengan Mahasiswa Ketiga ... 94
5.3.4 Testing Data dengan Mahasiswa Keempat ... 95
5.3.5 Testing Data dengan Mahasiswa Kelima ... 96
5.4 Uji Signifikasi dengan menggunakan t-test (Mahasiswa). ... 98
5.4.1 Uji Signifikasi t-test Perbandingan Hasil Mesin dengan Mahasiswa Pertama . 98 5.4.2 Uji Signifikasi t-test Perbandingan Hasil Mesin dengan Mahasiswa Kedua .... 99
5.4.3 Uji Signifikasi t-test Perbandingan Hasil Mesin dengan Mahasiswa Ketiga ... 99
5.4.4 Uji Signifikasi t-test Perbandingan Hasil Mesin dengan Mahasiswa Keempat ... 100
5.4.5 Uji Signifikasi t-test Perbandingan Hasil Mesin dengan Mahasiswa Kelima 101 5.5 Evaluasi Perbandingan Kinerja Pakar (Dokter) dengan Mesin ... 101
5.5.1 Testing Data dengan Dokter Pertama ... 102
5.5.2 Testing Data dengan Dokter Kedua ... 102
5.6 Uji Signifikasi dengan menggunakan t-test (Dokter)... 103
5.6.1 Uji Signifikasi t-test Perbandingan Hasil Mesin dengan Dokter Pertama ... 103
5.6.2 Uji Signifikasi t-test Perbandingan Hasil Mesin dengan Dokter Kedua ... 103
5.7 Hasil Evaluasi ... 104
5.8 Uji Blackbox ... 105
5.8.1 Form Tampilan Utama ... 105
5.8.2 Form Pasien ... 106
5.8.3 Form Konsultasi Setelah Cek Darah Menggunakan SVM ... 108
5.8.4 Form Konsultasi Setelah Cek Darah Menggunakan Regresi Logistik ... 109
5.8.5 Form Konsultasi Sebelum Cek Darah ... 110
5.8.6 Form Konsultasi Post Test ... 110
5.8.7 Form Hasil Diagnosa ... 111
5.8.8 Form Record ... 112
BAB VI ... 114
KESIMPULAN DAN SARAN ... 114
6.1 Kesimpulan ... 114
6.2 Saran ... 114
DAFTAR GAMBAR
Gambar 1. 1 Data Penyakit Demam Berdarah di Indonesia ... 1
Gambar 2. 1 Sebuah vektor memisahkan bidang menjadi dua wilayah ... 8
Gambar 2. 2 Tampilan awal dari Aplikasi WEKA ... 18
Gambar 2. 3 Coding pembuatan data pada bahasa pemograman java. ... 20
Gambar 2. 4 Contoh hasil t -test ... 21
Gambar 3. 1 Chart gambaran aplikasi ... 24
Gambar 3. 2 Contoh kode data arff ... 27
Gambar 3. 3 Contoh data Training ... 28
Gambar 3. 4 Use case ... 29
Gambar 3. 5 Activity Diagram tambah pasien ... 31
Gambar 3. 6 Activiy Diagram tambah detail history ... 32
Gambar 3. 7 Activiy Diagram tambah history ... 33
Gambar 3. 8 Activiy Diagram tambah detail alergi obat ... 34
Gambar 3. 9 Activiy Diagram tambah alergi obat ... 35
Gambar 3. 10 Activiy Diagram tambah detail keluhan ... 36
Gambar 3. 11 Activiy Diagram tambah keluhan ... 37
Gambar 3. 12 Activiy Diagram konsultasi setelah cek darah dengan SVM ... 39
Gambar 3. 13 Activiy Diagram konsultasi setelah cek darah dengan regresi logitik ... 41
Gambar 3. 14 Activiy Diagram konsultasi sebelum cek darah ... 44
Gambar 3. 15 Activiy Diagram tambah detail obat di luar pengobatan ... 46
Gambar 3. 16 Activiy Diagram tambah obat di luar pengobatan... 47
Gambar 3. 17 Activiy Diagram tambah tes darah pasien ... 48
Gambar 3. 18 Activiy Diagram lihat data record ... 49
Gambar 3. 19 Activiy Diagram cari ... 50
Gambar 3. 20 ERD ... 51
Gambar 3. 21 User interface tampilan awal ... 52
Gambar 3. 22 User interface konsultasi setelah cek darah metode SVM ... 53
Gambar 3. 23 User interface konsultasi setelah cek darah metode regresi logistik ... 54
Gambar 3. 24 User interface hasil diagnosa ... 55
Gambar 3. 25 User interface konsultasi pre test ... 56
Gambar 3. 26 User interface konsultasi post test ... 57
Gambar 3. 27 User interface tambah pasien ... 58
Gambar 3. 28 User interface tambah detail history ... 59
Gambar 3. 29 User interface tambah alergi obat ... 61
Gambar 3. 30 User interface record ... 62
Gambar 4. 1 kode pembuatan attribute ... 63
Gambar 4. 2 Kode penggabungan attribute ... 64
Gambar 4. 3 Kode pemberian nilai attribute ... 64
Gambar 4. 4 Kode pengambilan data train ... 65
Gambar 4. 6 Kode pemanggilan metode SVM dan pegambilan nilai ... 66
Gambar 4. 7 Code perbandingan nilai ... 67
Gambar 4. 8 Tampilan Halaman Utama ... 68
Gambar 4. 9 Tampilan pemilihan metode ... 69
Gambar 4. 10 Tampilan halaman tambah pasien ... 70
Gambar 4. 11 Tampilan halaman tambah history pasien ... 72
Gambar 4. 12 Tampilan halaman tambah alergi obat pasien ... 74
Gambar 4. 13 Tampilan halaman konsultasi setelah cek darah dengan SVM ... 75
Gambar 4. 14 halaman konsultasi setelah cek darah dengan regresi logistik ... 76
Gambar 4. 15 halaman konsultasi sebelum cek darah ... 78
Gambar 4. 16 halaman konsultasi post test ... 79
Gambar 4. 17 Tampilan halaman hasil diagnosa ... 81
Gambar 4. 18 Contoh code mewakili classifier ... 82
Gambar 4. 19 Code untuk pengecekan nilai instance ... 82
Gambar 4. 20 Code pengambilan nilai penyakit... 83
Gambar 4. 21 Tampilan halaman record ... 84
Gambar 5. 1 t-test mahasiswa pertama ... 98
Gambar 5. 2 t-test mahasiswa kedua ... 99
Gambar 5. 3 t-test mahasiswa ketiga ... 100
Gambar 5. 4 t-test mahasiswa keempat ... 100
Gambar 5. 5 t-test mahasiswa kelima ... 101
Gambar 5. 6 t-test dokter pertama ... 103
DAFTAR TABEL
Tabel 3. 1 Perbandingan SVM dan logistik ... 25
Tabel 3. 2 Hasil Akurasi... 26
Tabel 5. 1 Perbandingan max dan 1 classifier ... 86
Tabel 5. 2 Testing mahasiswa pertama ... 91
Tabel 5. 3 Testing mahasiswa kedua ... 93
Tabel 5. 4 Testing mahasiswa ketiga ... 94
Tabel 5. 5 Testing mahasiswa keempat ... 95
Tabel 5. 6 Testing mahasiswa kelima ... 97
Tabel 5. 7 Testing Dokter Pertama ... 102
Tabel 5. 8 Testing Dokter Kedua... 102
Tabel 5. 9 Uji Blackbox tampilan utama ... 105
Tabel 5. 10 Uji Blackbox form tambah pasien ... 106
Tabel 5. 11 Uji Blackbox form tambah history pasien ... 107
Tabel 5. 12 Uji Blackbox form tambah alergi obat pasien ... 108
Tabel 5. 13 Uji Blackbox form kosnultasi setelah cek darah menggunakan svm ... 108
Tabel 5. 14 Uji Blackbox form konsultasi setelah cek darah menggunakan regresi logistik ... 109
Tabel 5. 15 Uji Blackbox form konsultasi sebelum cek darah ... 110
Tabel 5. 16 Uji Blackbox form konsultasi post test ... 111
Tabel 5. 17 Uji Blackbox form hasil diagnosa ... 111
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pada bidang kedokteran, terdapat beberapa penyakit yang memiliki
kemiripan dalam gejala. Karena kemiripan ini pula, para dokter terkadang
memiliki kesalahan dalam mendiagnosa penyakit tersebut. Penyakitnya antara lain
adalah demam berdarah, malaria, dan typhus. Ketiga penyakit cukup banyak
terjadi, sebagai contoh kasus demam berdarah dapat dilihat dalam beberapa kasus
seperti pada gambar 1.1.
Sumber : depkes.go.id
Gambar 1. 1 Data Penyakit Demam Berdarah di Indonesia
Ketiga penyakit ini juga memiliki potensi yang besar untuk langsung
membunuh korban yang diderita. Ketiga penyakit ini walaupun memiliki gejala
yang hampir mirip, tetapi penyebab dari ketiga berbeda jauh. Demam berdarah
adalah penyakit yang disebarkan oleh nyamuk aides agepty dan berupa virus,
2
Sehingga jika salah dalam mendiagnosa, maka pemberian obat dan
penanganan yang diberikan juga berbeda dapat menyebabkan pasien tambah
parah. Analisa sistem pakar dibuat untuk membantu para dokter dalam
memprediksi penyakit yang diderita pasien tersebut sehingga tingkat kesalahan
dalam memprediksi penyakit tersebut dapat diturunkan. Sistem pakar juga
menjadi diagnosa pembanding pada para pasien yang ingin berobat kepada salah
satu dokter. Di dalam aplikasi pula terdapat cara penanganan dini bagi pasien
yang menderita penyakit tersebut.
Terdapat pula prediksi pembanding obat yang membantu dokter dalam
memberikan resep untuk pasien yang menderita salah satu dari penyakit tersebut.
Pada analisa sistem pakar ini, terdapat dua pendekatan yang digunakan.
Pendekatan pertama menggunakan support vector machine dan pendekatan yang
kedua menggunakan regresi logistik sehingga dapat pula diperoleh data
pembanding keakuratan dalam memprediksi ketiga penyakit dari dua pendekatan
yang akan dianalisa.
1.2 Perumusan Masalah
Adapun rumusan masalah yang dapat ditarik dari latar belakang di atas:
1.
Bagaimana membangun aplikasi yang dapat memprediksi penyakit demam
berdarah, typhus, dan malaria?
2.
Bagaimana membandingkan proses pengambilan keputusan dengan
menggunakan metode support vector machine dan regresi logistik diukur pada
tingkat keakuratan memprediksi penyakit demam berdarah, typhus dan
malaria?
1.3 Tujuan Pembahasan
Adapun tujuan yang dapat ditarik dari perumusan masalah di atas:
1.
Membangun aplikasi yang dapat memprediksi penyakit demam berdarah,
3
2.
Pembandingan proses pengambilan keputusan dengan menggunakan metode
support vector machine dan regresi logistik diukur pada tingkat keakuratan
memprediksi penyakit demam berdarah, typhus dan malaria
1.4 Ruang Lingkup Kajian
Berikut ini merupakan ruang lingkup kajian dalam pengerjaan tugas akhir
ini yang dapat dijabarkan sebagai berikut :
1.
Untuk batasan hardware Client :
a)
Desktop Computer dengan minimum requirement:
a.
Processor Intel pentium 4 2,0 GHz
b.
Memory 1GB DDR
c.
Harddisk 160 GB
d.
VGA 64 MB
e.
Keyboard + Mouse
f.
Monitor LCD 14
2.
Untuk batasan software :
a)
Desktop Computer Client menggunakan :
a.
Sistem operasi berbasis Windows
b)
Pembuatan aplikasi menggunakan software :
a.
Editor Pemrograman: Net Beans (Java)
b.
Weka
Hak akses pada aplikasinya dipegang oleh semua user yang bisa terdiri dari
beberapa orang.
1.5 Sumber Data
Penulis mendapatkan sumber data untuk penulisan laporan ini melalui
pembelajaran mata kuliah yang bersangkutan di Universitas Kristen Maranatha,
studi pustaka, dengan menggunakan buku dan literatur lainnya dalam
perpustakaan Universitas Kristen Maranatha, dan juga tentunya data – data
4
1.6 Sistematika Penyajian
Adapun sistematika penyajian dari laporan tugas akhir ini adalah sebagai
berikut :
BAB I PENDAHULUAN
membahas mengenai latar belakang masalah, rumusan masalah, tujuan
pembahasan, ruang lingkup kajian, serta sistematika penyajian.
BAB II KAJIAN TEORI
membahas mengenai teori-teori yang digunakan dalam tugas akhir penulis.
BAB III ANALISIS DAN PERANCANGAN
membahas mengenai fitur, pemodelan data, informasi data, analisa
pembandingan dari pendekatan.
BAB IV PENGEMBANGAN PERANGKAT LUNAK
membahas mengenai fungsi dan cara penggunaan aplikasi yang telah
dibuat.
BAB V TESTING DAN EVALUASI SISTEM
berisi hasil dari pengujian aplikasi yang telah dibuat.
BAB VI KESIMPULAN DAN SARAN
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Dari hasil penelitian yang dilakukan dalam pembuatan tugas akhir ini,
penulis dapat mengambil kesimpulan sebagai berikut:
1.
Pada diagnosa penyakit dengan gejala yang belum memiliki hasil tes
laboratorium, ketepatan mesin sedikit lebih baik (seagai contoh dapat
dilihat pada gambar 5.1, nilai mean untuk mesin senilai 0,875 lebih besar
dari nilai mean mahasiswa sebesar 0,725) daripada ketepatan calon pakar
(mahasiswa) seperti pada gambar 5.1 – 5.5 dan ketepatan mesin hampir
sama baik dengan pakar (dokter) seperti pada gambar 5.6 dan 5.7.
2.
Penggunaan metode SVM memiliki keakuratan yang sedikit lebih baik
daripada metode regresi logistik.
3.
Penggunaan metode max maupun satu classifier dalam pembentukan
agregasi memiliki tingkat keakuratan yang cukup baik.
4.
Aplikasi dapat memberikan bantuan informasi maupun diagnosa penyakit
kepada pengguna.
6.2 Saran
Saran yang dapat diberikan penulis setelah melihat evaluasi dan hasil yang
telah dicapai adalah:
1.
Menambahkan data penyakit selain demam berdarah, malaria dan typhus
sehingga didapat aplikasi diagnosa penyakit yang lebih umum.
2.
Menambahkan gejala yang lebih spesifik untuk setiap penyakit.
3.
Menggunakan versi mobile maupun website sehingga aplikasi lebih mudah
DAFTAR PUSTAKA
Bouckaert, Remco R.,Frank, E., Hall, M., Kirkby, R., Reutemann, P., Seewald,
A., Scuse, D. 2012. Weka Manual for version 3-6-7. University of Waikato.
Hamilton, New Zealand
.
Christianini, N. And Shawe Taylor, J., 2000, An Introduction to Support Vector
Machine and other Kernel Based Learning methods, Cambridge University
Press.
Departemen Kesehatan R.I. Direktorat Jenderal PPM dan PL. Direktorat
Pemberantasan Penyakit Bersumber Binatang. 2003. Pedoman Tatalaksana
Kasus Malaria.
Dr. Soedarto DTMH, Ph.D. 1996. Penyakit – penyakit Infeksi di Indonesia.
Penerbit Widya Medika, Jakarta.
dr. T.H Rampengan, DSAK., dr. I.R. Laurentz, DSA. 1997. Penyakit Infeksi
Tropik pada Anak. Penerbit Buku Kedokteran EGC, Jakarta.
Ester, Monica., S.Kp. 1997. Demam Berdarah Dengue : Dianogsis, Pengobatan,
Pencegahan, dan Pengendalian (WHO). Penerbit Buku Kedokteran EGC,
Jakarta.
Hosmer, David W., S. Lemeshow. 2000. Applied Logistic Regression. New Jersey
: John Wiley & Sons, Inc.
Kecman, Vojislav. 2001. Learning and Soft Computing. Massachusetts Institute of
Technology, United States of America.
Kusuma, Sri Dewi. 2003. Artificial Intelligence (teknik dan Aplikasinya). Graha
Ilmu, Yogyakarta.
Mansjoer, Arif. 2000. Kapita Selekta Kedokteran. Jakarta: PT. Media
Aesculapius.
Nugroho, Anto Satrio., 2003, Support Vector Machine Teori dan Aplikasinya
dalam Bioinformatika.
Izenman, A.J. 2008. Modern Multivariate Statistical Techniques (Regression,
Parrella, F. 2007. Online Support Vector Regression. Genoa. Diakses 5 Desember
2010 dari http://eris.liralab.it/viki/images/8/82/OnlineSVR_Thesis.pdf
Prasetyo, Eko. 2012. Data Mining – Konsep dan Aplikasi menggunakan
MATLAB. Andi Offset, Yogyakarta.
Rachman, Farizi dan Santi Wulan Purnami. 2012. Perbandingan Klasifikasi
Tingkat Keganasan Breast Cancer dengan menggunakan Regresi Logistik
Ordinal dan Support Vector Machine (SVM). Institut Teknologi Sepuluh
Nopember, Surabaya.
Santosa, B. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis.
Graha Ilmu, Yogyakarta.
Setiawan, S. 1993. Artificial Intelligence. Andi Offset,Yogyakarta.
Setiawan, Wahyudi. 2012. Sistem Deteksi Retinopati Diabetik menggunakan
Suport Vector Machine. Universitas Diponegoro, Semarang.
Suhendro, Nainggolan, L., Chen, K., Pohan, H.T., 2006. Demam Berdarah
Dengue. In: Sudoyo, A.W., Setiyohadi, B., Alwi, I., Simadibrata, M.,
Setiati, S.,ed. Ilmu Penyakit Dalam. Jakarta, Indonesia : 1709-1713.
