Optimalisasi Algoritma Ant Miner Berbasis Fuzzy Untuk Penemuan Informasi Tersembunyi Pada Dataset Hepatitis Dengan Menggunakan Teknik Feature Selection

Rachmat Rachmat; Muh. Rafli R

doi:10.31004/riggs.v4i2.1032

Authors

Rachmat Rachmat Universitas Pejuang Republik Indonesia
Muh. Rafli R Universitas Dipa Makassar

DOI:

https://doi.org/10.31004/riggs.v4i2.1032

Keywords:

Algoritma Ant Miner, Fuzzy Logic, Feature Selection, Dataset Hepatitis, Penemuan Informasi Tersembunyi

Abstract

Penelitian ini bertujuan untuk mengembangkan algoritma Ant Miner berbasis fuzzy untuk penemuan informasi tersembunyi pada dataset hepatitis dengan menggunakan teknik feature selection. Dataset hepatitis yang digunakan dalam penelitian ini terdiri dari 155 sampel dan 19 atribut. Hasil penelitian menunjukkan bahwa algoritma Ant Miner berbasis fuzzy dapat menemukan informasi tersembunyi pada dataset hepatitis dengan akurasi sebesar 92,31% dan sensitivitas sebesar 95,45%. Teknik feature selection yang digunakan dalam penelitian ini dapat memilih atribut yang paling relevan dengan kelas target dan meningkatkan akurasi algoritma. Hasil penelitian ini dapat digunakan sebagai acuan untuk pengembangan sistem pendukung keputusan yang lebih akurat dan efektif dalam diagnosis dan pengobatan hepatitis.

Downloads

Download data is not yet available.

References

L. B. Booker, D. E. Goldberg, and J. H. Holland, “Classifier systems and genetic algorithms,” Artif. Intell., vol. 40, no. 1–3, pp. 235–282, 1989, doi: 10.1016/0004-3702(89)90050-7.

P. Jaganathan, K. Thangavel, A. Pethalakshmi, and M. Karnan, “Classification rule discovery with ant colony optimization and improved quick reduct algorithm,” Lect. Notes Eng. Comput. Sci., no. February, pp. 286–291, 2006.

S. Hodnefjell and I. Costa, “Classification rule discovery with ant colony optimization algorithm,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 7435 LNCS, no. 1, pp. 678–687, 2012, doi: 10.1007/978-3-642-32639-4_81.

“A Process Engineering Approach to the Detection Techniques”.

S. Abe and M. S. Lan, “A Method for Fuzzy Rules Extraction Directly from Numerical Data and Its Application to Pattern Classification,” IEEE Trans. Fuzzy Syst., vol. 3, no. 1, pp. 18–28, 1995, doi: 10.1109/91.366565.

H. Ishibuchi, T. Nakashima, and T. Murata, “Performance evaluation of fuzzy classifier systems for multidimensional pattern classification problems,” IEEE Trans. Syst. Man, Cybern. Part B Cybern., vol. 29, no. 5, pp. 601–618, 1999, doi: 10.1109/3477.790443.

J. Kim, P. J. Bentley, U. Aickelin, J. Greensmith, G. Tedesco, and J. Twycross, “Immune system approaches to intrusion detection - A review,” Nat. Comput., vol. 6, no. 4, pp. 413–466, 2007, doi: 10.1007/s11047-006-9026-4.

T. Stützle and M. Dorigo, “ACO Algorithms for the Travelling Salesman Problem,” Evol. Algorithms Eng. Comput. Sci. Recent Adv. Genet. Algorithms, Evol. Strateg. Evol. Program. Genet. Program. Ind. Appl., pp. 1–23, 1999.

M. S. Abadeh, J. Habibi, and C. Lucas, “Intrusion detection using a fuzzy genetics-based learning algorithm,” J. Netw. Comput. Appl., vol. 30, no. 1, pp. 414–428, 2007, doi: 10.1016/j.jnca.2005.05.002.

S. Madhusudhanan, M. Karnan, and K. Rajivgandhi, “Fuzzy based ant miner algorithm in datamining for hepatitis,” 2010 Int. Conf. Signal Acquis. Process. ICSAP 2010, pp. 229–232, 2010, doi: 10.1109/ICSAP.2010.54.

Y. Nuraini and A. Zahro, “Pengaruh Aplikasi Asam Humat Dan Pupuk Npk Phonska 15-15-15 Terhadap Serapan Nitrogen Dan Pertumbuhan Tanaman Padi Serta Residu Nitrogen Di Lahan Sawah,” J. Tanah dan Sumberd. Lahan, vol. 7, no. 2, pp. 195–200, 2020, doi: 10.21776/ub.jtsl.2020.007.2.2.

M. Crosbie and E. H. Spafford, “Applying Genetic Programming to Intrusion Detection,” AAAI Fall Symp. - Tech. Rep., vol. FS-95-01, pp. 1–8, 1995.

J. D. Cannady, “Artificial neural networks for misuse detection,” Proc. 21st Natl. Inf. Syst. Secur. Conf., no. January, pp. 368–381, 1998, [Online]. Available: http://webpages.cs.luc.edu/~pld/courses/intrusion/sum08/class9/cannady.1998.artificial_neural_networks_for_misuse_detection.pdf