Deteksi Infeksi Mycoplasma Pneumoniae Pneumonia Menggunakan Komparasi Algoritma Klasifikasi Machine Learning
DOI:
https://doi.org/10.31328/jointecs.v7i1.3242Keywords:
pembelajaran mesin, klasifikasi, infeksi saluran pernapasan, deteksi penyakit, modifikasi hyperparameterAbstract
Mycoplasma Pneumoniae Pneumonia merupakan salah satu patogen yang menyerang saluran pernapasan sehingga menyebabkan suatu infeksi, Infeksi ini umumnya terjadi pada anak sekolah dan remaja. Sebagian besar infeksi tersebut dikenal sebagai infeksi ringan dan dapat sembuh sendiri. Meskipun begitu, terdapat beberapa kasus yang menyebabkan ekstrapulmoner manifestasi termasuk neurologis, dermatologis, hematologi dan sindrom jantung yang dapat mengakibatkan rawat inap dan kematian. Hal tersebut dapat diminimalisir apabila dilakukan deteksi awal pada orang yang rentan terkena infeksi tersebut. Salah satu caranya adalah dengan menerapkan pembelajaran mesin. Agar hal tersebut dapat dicapai pada penelitian ini akan digunakan beberapa algoritma pembelajaran mesin yaitu Decision Tree, Logistic Regression, Gradient Boosting Decision Tree dan Support Vector Machine. Tiap modelnya akan dilakukan modifikasi pada hyperparameternya dengan menggunakan metode Grid Search, Random Search dan Hyperband. Hasil akhir menunjukan bahwa metode modifikasi hyperparameter dengan Hyperband memiliki performa klasifikasi yang sedikit lebih baik jika dibandingkan dengan Grid Search dan Random Search dengan nilai f-score dan akurasi masing-masing yaitu 0.887 dan 0.894 untuk Decision Tree, 0.942 dan 0.947 untuk Logistic Regression, 0.910 dan 0.915 untuk Gradient Boosting Decision Tree serta 0.591 dan 0.715 untuk Support Vector Machine.ÂReferences
A. Dierig, H. H. Hirsch, M. L. Decker, J. A. Bielicki, U. Heininger, and N. Ritz, “Mycoplasma pneumoniae detection in children with respiratory tract infections and influence on management – a retrospective cohort study in Switzerland,†Acta Paediatr. Int. J. Paediatr., vol. 109, no. 2, pp. 375–380, 2020.
S. H. Yoon, I. K. Min, and J. G. Ahn, “Immunochromatography for the diagnosis of Mycoplasma pneumoniae infection: A systematic review and meta-analysis,†PLoS One, vol. 15, no. 3, pp. 1–17, 2020.
Y. Zhang, Y. Zhou, S. Li, D. Yang, X. Wu, and Z. Chen, “The clinical characteristics and predictors of refractory Mycoplasma pneumoniae pneumonia in children,†PLoS One, vol. 11, no. 5, pp. 1–10, 2016.
M. S. Han et al., “Contribution of Co-detected Respiratory Viruses and Patient Age to the Clinical Manifestations of Mycoplasma Pneumoniae Pneumonia in Children,†Pediatr. Infect. Dis. J., vol. 37, no. 6, pp. 531–536, 2018.
Y. H. Liao, Z. C. Wang, F. G. Zhang, M. F. Abbod, C. H. Shih, and J. S. Shieh, “Machine learning methods applied to predict ventilator-associated pneumonia with pseudomonas aeruginosa infection via sensor array of electronic nose in intensive care unit,†Sensors (Switzerland), vol. 19, no. 8, 2019.
J. Tohka and M. van Gils, “Evaluation of machine learning algorithms for health and wellness applications: A tutorial,†Comput. Biol. Med., vol. 132, no. March, p. 104324, 2021.
T. T. Han et al., “Machine learning based classification model for screening of infected patients using vital signs,†Informatics Med. Unlocked, vol. 24, p. 100592, 2021.
Y. W. Lee, J. W. Choi, and E. H. Shin, “Machine learning model for diagnostic method prediction in parasitic disease using clinical information,†Expert Syst. Appl., vol. 185, no. February, p. 115658, 2021.
C. Zhang, C. Liu, X. Zhang, and G. Almpanidis, “An up-to-date comparison of state-of-the-art classification algorithms,†Expert Syst. Appl., vol. 82, pp. 128–150, 2017.
W. Chen et al., “Groundwater spring potential mapping using artificial intelligence approach based on kernel logistic regression, random forest, and alternating decision tree models,†Appl. Sci., vol. 10, no. 2, pp. 1–23, 2020.
J. Wu, X. Y. Chen, H. Zhang, L. D. Xiong, H. Lei, and S. H. Deng, “Hyperparameter optimization for machine learning models based on Bayesian optimization,†J. Electron. Sci. Technol., vol. 17, no. 1, pp. 26–40, 2019.
L. Yang and A. Shami, “On hyperparameter optimization of machine learning algorithms: Theory and practice,†Neurocomputing, vol. 415, pp. 295–316, 2020.
Y. J. Yoo, “Hyperparameter optimization of deep neural network using univariate dynamic encoding algorithm for searches,†Knowledge-Based Syst., vol. 178, pp. 74–83, 2019.
X. Wang, G. Gong, and N. Li, “Automated recognition of epileptic EEG states using a combination of symlet wavelet processing, gradient boosting machine, and grid search optimizer,†Sensors (Switzerland), vol. 19, no. 2, 2019.
T. Tamilvanan and V. Murali Bhaskaran, “A New Feature Selection Techniques Using Genetics Search and Random Search Approaches For Breast Cancer,†Biosci. Biotechnol. Res. Asia, vol. 14, no. 1, pp. 409–414, 2017.
A. Rehman Khan, A. Tamoor Khan, M. Salik, and S. Bakhsh, “An Optimally Configured HP-GRU Model Using Hyperband for the Control of Wall Following Robot,†Int. J. Robot. Control Syst., vol. 1, no. 1, pp. 66–74, 2021.
A. Ambarwari, Q. J. Adrian, and Y. Herdiyeni, “Analisis Pengaruh Data Scaling Terhadap Performa Algoritme Machine Learning untuk Identifikasi Tanaman,†Rekayasa Sist. dan Teknol. Inf., vol. 4, no. 1, pp. 117–122, 2020.
R. Ghawi and J. Pfeffer, “Efficient Hyperparameter Tuning with Grid Search for Text Categorization using kNN Approach with BM25 Similarity,†Open Comput. Sci., vol. 9, no. 1, pp. 160–180, 2019.
A. Panichella, “A Systematic Comparison of search-Based approaches for LDA hyperparameter tuning,†Inf. Softw. Technol., vol. 130, p. 106411, 2021.
R. Andonie and A. C. Florea, “Weighted random search for CNN hyperparameter optimization,†Int. J. Comput. Commun. Control, vol. 15, no. 2, pp. 1–11, 2020.
L. Li, K. Jamieson, and G. Desalvo, “Hyperband : A Novel Bandit-Based Approach to,†vol. 18, pp. 1–52, 2018.
R. Valarmathi and T. Sheela, “Heart disease prediction using hyper parameter optimization (HPO) tuning,†Biomed. Signal Process. Control, vol. 70, no. July, p. 103033, 2021.
M. I. Gunawan, D. Sugiarto, and I. Mardianto, “Peningkatan Kinerja Akurasi Prediksi Penyakit Diabetes Mellitus Menggunakan Metode Grid Seacrh pada Algoritma Logistic Regression,†JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 6, no. 3, pp. 280–284, 2020.
E. Eka Patriya, “Implementasi Support Vector Machine Pada Prediksi Harga Saham Gabungan (Ihsg),†J. Ilm. Teknol. dan Rekayasa, vol. 25, no. 1, pp. 24–38, 2020.
A. Alomari, N. Idris, A. Q. M. Sabri, and I. Alsmadi, “Deep reinforcement and transfer learning for abstractive text summarization: A review,†Comput. Speech Lang., vol. 71, no. August 2021, p. 101276, 2022.
Downloads
Additional Files
Published
Issue
Section
License
Pernyataan Hak Cipta dan Lisensi
Hak Cipta :
Penulis yang mempublikasikan naskahnya pada Jurnal ini menyetujui ketentuan berikut:
Hak cipta pada setiap artikel adalah milik penulis.
- Penulis mengakui bahwa JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE) berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0).
- Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif  dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE);
Lisensi :
JOINTECS diterbitkan berdasarkan ketentuan Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). Lisensi ini mengizinkan setiap orang untuk menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun, menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun, termasuk kepentingan komersial, selama mereka mencantumkan kredit kepada Penulis atas ciptaan asli.
This work is Under licensed
Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
