ALGORITMA K-NEAREST NEIGHBOR BERBASIS FORWARD SELECTION UNTUK MENDIAGNOSIS PENYAKIT JANTUNG KORONER

Transkripsi

1 KOMPUTAKI Vol.3, No.1 Februari 2017 ALGORITMA K-NEAREST NEIGHBOR BERBASIS FORWARD SELECTION UNTUK MENDIAGNOSIS PENYAKIT JANTUNG KORONER Achmad Nuruddin Safriandono udinozz@gmail.com Abstrak K-Nearest Neighbor merupakan salah satu algoritma yang diusulkan oleh para peneliti data mining di bidang kesehatan seperti penyakit jantung koroner. Penyakit jantung koroner adalah penyakit berbahaya dan salah satu penyebab kematian di seluruh dunia. Maka dari itu, penyakit jantung koroner perlu didiagnosis. Algoritma yang digunakan dalam penelitian ini adalah K-Nearest Neighbor (K-NN) berbasis Forward Selection untuk meningkatkan akurasi dalam diagnosis penyakit jantung koroner. Penelitian ini menggunakan dataset jantung koroner yang diperoleh dari UCI Dataset Machine Learning Repository. Hasil penelitian menunjukkan bahwa algoritma Forward Selection-KNN memiliki akurasi yang lebih baik dari pada KNN. Kata kunci: Data mining, penyakit jantung koroner, K-Nearest Neighbor, Forward Selection PENDAHULUAN Penyakit jantung Koroner adalah salah satu penyakit yang menyebabkan kematian di Amerika [1]. Lebih dari orang-orang Amerika meninggal setiap tahun disebabkan penyakit jantung. Istilah penyakit jantung menjelaskan beberapa tipe kondisi jantung [1]. Salah satu tipe penyakit jantung adalah coronary artery disease, yang menyebabkan serangan jantung. Jenis penyakit jantung yang lain termasuk katup jantung atau jantung yang tidak terpompa dengan baik dan menyebabkan gangguan jantung. Beberapa orang meninggal karena penyakit jantung [1]. Maka dari itu penyakit jantung perlu didiagnosis. Para dokter menguji melakukan tes untuk mendiagnosis penyakit jantung, termasuk X- rays pada dada, coronary angiograms, electrocardiograms (ECG or EKG), dan testes untuk menghilangkan stress. Data mining dapat diaplikasikan di bidang kesehatan misalnya mendiagnosis penyakit kanker payudara, penyakit jantung, penyakit diabetes dan lain-lain [2]. Terdapat beberapa metode dalam mendiagnosis penyakit kanker payudara misalnya K-Nearest Neighbor (KNN) [3], Naïve Bayes [4], Neural Network [5], C4.5 [5] dan lain-lain. Penelitian yang dilakukan oleh Mehdi Moradian dan Ahmad Barani menjelaskan tentang algoritma K-Nearest Neighbor (KNN) adalah salah satu algoritma klasifikasi yang digunakan sebagian besar dalam aplikasi yang berbeda [3]. Salah satu masalah dari algoritma KNN adalah semua atribut dalam menghitung 1

2 Algoritma K-Nearest Neighbor Berbasis Forward Selection Untuk Mendiagnosis Penyakit (Achmad Naruddin Safriandono, M.Kom) jarak antara record baru dan record yang tersedia dalam dataset training. Hal ini menyebabkan proses klasifikasi yang tidak baik dan menurunkan akurasi algoritma klasifikasi. Pendekatan utama untuk menangani masalah ini adalah untuk atributatribut bobot yang berbeda ketika menghitung jarak antara dua record. Dalam pembahasan ini, menggunakan aturan-aturan asosiasi untuk atribut-atribut bobot dan menyarankan algoritma klasifikasi baru K-Nearest Neighbor Based Association (KNNBA) yang dapat meningkatkan akurasi algoritma KNN. Pengujian ini menggunakan 15 UCI data set, dan dibandingkan dengan yang algoritma klasifikasi lain Naïve Bayes (NB), Neural Network (NN), J4.8, NBTREE, VFI, LWL dan IBK. Algoritma Naïve Bayes (NB) menggunakan dataset heart disease menghasilkan akurasi sebesar %. Algoritma Neural Network (NN) menggunakan dataset jantung menghasilkan akurasi sebesar 78.15%. Algoritma J48 menggunakan dataset jantung menghasilkan akurasi sebesar 76.67%. Algoritma Naïve Bayes Tree (NBTree) menggunakan dataset jantung menghasilkan akurasi sebesar 80.37%. Algoritma VFI menggunakan dataset jantung menghasilkan akurasi sebesar 80%. Algoritma LWL menggunakan dataset jantung menghasilkan akurasi sebesar 71.85%. Algoritma IBK menggunakan dataset jantung menghasilkan akurasi sebesar 81.48%. Algoritma KNNBA menggunakan dataset jantung menghasilkan akurasi sebesar 81.48% [3]. Penelitian yang dilakukan oleh Jia WU dan Zhihua CAI telah mengusulkan banyak metode efektif untuk meningkatkan kinerja Naïve Bayes dengan menggabungkan metodemetode seperti backwards sequential elimination, lazy elimination dan lain-lain [4]. Mengujikan algoritma baru menggunakan 36 data set dari UCI Repository diseleksi dengan perangkat lunak Weka dan dibandingkan dengan algoritma Differential Evolution Weighted Naïve Bayes (DE-WNB), Naïve Bayes (NB), Gain Ratio-Weighted Naïve Bayes (GR-WNB), MI-WNB, Correlationbased Feature Selection-Weighted Naïve Bayes (CFS-WNB) dan Tree-Weighted Naïve Bayes (Tree-WNB). Algoritma Differential Evolution Weighted Naïve Bayes (DE-WNB) menggunakan dataset jantung menghasilkan keakuratan sebesar 83.44±5.51%. Algoritma Naïve Bayes (NB) menggunakan dataset jantung menghasilkan keakuratan sebesar 83.78±5.41%. Algoritma Gain Ratio-Weighted Naïve Bayes (GR-WNB) menggunakan dataset jantung menghasilkan keakuratan sebesar 81.63±6.23%. Algoritma Correlationbased Feature Selection-Weighted Naïve Bayes (CFS-WNB) menggunakan dataset jantung menghasilkan keakuratan sebesar 84.22±5.99%. Algoritma Mutual Information- Weighted Naïve Bayes (MI-WNB) menggunakan dataset jantung menghasilkan keakuratan sebesar 82.93±6.14%. Algoritma Tree-Weighted Naïve Bayes (Tree-WNB) menggunakan dataset jantung menghasilkan keakuratan sebesar 84.04±5.90% [4]. Dari penelitian yang pernah dilakukan untuk diagnosis penyakit jantung terutama yang menggunakan algoritma K-Nearest Neighbor, 2

3 KOMPUTAKI Vol.3, No.1 Februari 2017 akurasinya belum tinggi. Kelebihan-kelebihan spesifik model algoritma K-Nearest Neighbor berbasis Forward Selection pada penyakit jantung yang akan diteliti dibanding teknikteknik diagnosis lain yaitu Forward Selection digunakan untuk mereduksi ukuran data set [5] sehingga dapat meningkatkan akurasi pada K-Nearest Neighbor. Maka dari itu, penelitian ini menggunakan algoritma K-Nearest Neighbor berbasis Forward Selection untuk mendiagnosis penyakit jantung yang dapat meningkatkan akurasi dibandingkan dengan penelitian-penelitian sebelumnya. METODOLOGI PENELITIAN Penelitian ini menggunakan proses Cross- Standard Industry-Data Mining (CRISP-DM) dengan tahap-tahap penelitian meliputi pemahaman bisnis, pemahaman data, pengolahan data, pemodelan dan evaluasi [2]. Tahap Pemahaman Bisnis Penelitian ini dilakukan untuk menerapkan algoritma K-Nearest Neighbor berbasis Forward Selection untuk meningkatkan akurasi dalam mendiagnosis penyakit jantung. Tahap Pemahaman Data Penelitian ini mengambil dataset jantung dari UCI Machine Learning [10]. Tahap Pengolahan Data Teknik-teknik pengolahan data awal (data preprocessing) yang digunakan pada penelitian ini adalah [5] : 1. Data cleaning dapat digunakan untuk data yang missing value [5]. Karena ditemukan adanya data yang terlewat tidak terisi (missing value) pada data. Pengolahan data awal dilakukan untuk mengisi nilai yang missing value dengan pekerjaan replace missing value dilakukan. 2. Data reduction digunakan untuk menghasilkan data set yang volumenya lebih kecil [5]. Salah satu strategi data reduction yang digunakan pada penelitian ini adalah attribute subset selection [5]. Attribute subset selection digunakan untuk mereduksi ukuran data set dengan menghilangkan atribut-atribut yang tidak relevan atau redudant [5]. Salah satu teknik attribute subset selection yang digunakan pada penelitian ini adalah Forward Selection [5]. Tahap Pemodelan Model yang digunakan dalam tahap ini menggunakan algoritma K-Nearest Neighbor berbasis Forward Selection. Tahap Pemodelan pada Algoritma K- Nearest Neighbor (KNN) dengan Dataset Dataset jantung dimana data diambil 10 data dari 123 data dapat dilihat pada tabel dibawah 3

4 Algoritma K-Nearest Neighbor Berbasis Forward Selection Untuk Mendiagnosis Penyakit (Achmad Naruddin Safriandono, M.Kom) Dataset jantung koroner sebanyak 10 data Ag e Sex C p Trestbp d Cho l Fb s Restec g Thalac h Exan g Oldpea k Slop e C a Tha l Nu m 32 M M M M F F M M M M ? Objek baru terdiri dari Age = 33; Cp = 3; Trestbpd = 100; Chol = 0; Fbs = 0; Restecg = 0; Thalach = 0; Exang = 0; Oldpeak = 1; Slope = 2; Ca = 0; Thal = 6; dan Num = 2. Data yang telah didapatkan dihitung dengan metode KNN untuk mendapatkan hasil berupa Sex Male (M) atau Female (F). Langkah-langkah penghitungan algoritma K- Nearest Neighbor : 1. Menentukan parameter k, misal k = Menghitung jarak (similarity) di antara semua training records dan objek baru dapat dilihat pada tabel 3.2. ( ) ( ) d(1,11) = ((32-33) 2 + (1-3) 2 + (95-100) 2 + (0-0) 2 + (0-0) 2 + (0-0) 2 + ( ) 2 + (0-0) 2 + (0.7-1) 2 + (1-2) 2 + (0-0) 2 + (0-6) 2 + (1-2) 2 ) 1/2 = ( ) 1/2 d(1,11) = (238.09) 1/2 = d(2,11) = ((34-33) 2 + (4-3) 2 + ( ) 2 + (0-0) 2 + (0-0) 2 + (0-0) 2 + (154-4

5 KOMPUTAKI Vol.3, No.1 Februari ) 2 + (0-0) 2 + (0.2-1) 2 + (1-2) 2 + (0-0) 2 + (0-6) 2 + (1-2) 2 ) 1/2 = ( ) 1/2 d(2,11) = (461.64) 1/2 = d(3,11) = ((35-33) 2 + (4-3) 2 + (0-100) 2 + (0-0) 2 + (0-0) 2 + (0-0) 2 + ( ) 2 + (1-0) 2 + (0-1) 2 + (0-2) 2 + (0-0) 2 + (7-6) 2 + (3-2) 2 ) 1/2 = ( ) 1/2 d(3,11) = (10113) 1/2 = d(4,11) = ((36-33) 2 + (4-3) 2 + ( ) 2 + (0-0) 2 + (0-0) 2 + (0-0) 2 + ( ) 2 + (1-0) 2 + (1-1) 2 + (2-2) 2 + (0-0) 2 + (6-6) 2 + (1-2) 2 ) 1/2 = ( ) 1/2 d(4,11) = (334) 1/2 = d(5,11) = ((38-33) 2 + ( ( ) 2 + (0-0) 2 + (0-0) 2 + (0-0) 2 + ( ) 2 + (0-0) 2 + (2.8-1) 2 + (1-2) 2 + (0-0) 2 + (0-0) 2 + (1-2) 2 ) 1/2 = ( ) 1/2 d(5,11) = (732.24) 1/2 = d(6,11) = ((38-33) 2 + (4-3) 2 + ( ) 2 + (0-0) 2 + (0-0) 2 + (0-0) 2 + ( ) 2 + (0-0) 2 + (0-1) 2 + (2-2) 2 + (0-0) 2 + (3-6) 2 + (1-2) 2 ) 1/2 = ( ) 1/2 d(6,11) = (393) 1/2 = d(7,11) = ((38-33) 2 + (3-3) 2 + ( ) 2 + (0-0) 2 + (0-0) 2 + (0-0) 2 + ( ) 2 + (0-0) 2 + (-1.1-1) 2 + (1-2) 2 + (0-0) 2 + (0-6) 2 + (0-2) 2 ) 1/2 = ( ) 1/2 d(7,11) = ( ) 1/2 = d(8,11) = ((38-33) 2 + (3-3) 2 + ( ) 2 + (0-0) 2 + (0-0) 2 + (0-0) 2 + ( ) 2 + (1-0) 2 + (0-1) 2 + (2-2) 2 + (0-0) 2 + (7-6) 2 + (1-2) 2 ) 1/2 = ( ) 1/2 d(8,11) = (398) 1/2 = d(9,11) = ((38-33) 2 + (4-3) 2 + ( ) 2 + (0-0) 2 + (0-0) 2 + (0-0) 2 + ( ) 2 + (0-0) 2 + (0-1) 2 + (0-2) 2 + (0-0) 2 + (3-6) 2 + (2-2) 2 ) 1/2 = ( ) 1/2 d(9,11) = (1365) 1/2 = d(10,11) = ((38-33) 2 + (4-3) 2 + ( ) 2 + (0-0) 2 + (0-0) 2 + (0-0) 2 + ( ) 2 + (1-0) 2 + (0-1) 2 + (0-2) 2 + (0-0) 2 + (3-6) 2 + (1-2) 2 ) 1/2 5

6 Algoritma K-Nearest Neighbor Berbasis Forward Selection Untuk Mendiagnosis Penyakit (Achmad Naruddin Safriandono, M.Kom) = ( ) 1/2 d(10,11) = (2942) 1/2 =

7 0 Tabel 4.2 Perhitungan dengan melibatkan sampel data set jantung No. Data ke- Age Sex Jarak (d) No. Data ke- Age Sex Jarak (d) Urutan jarak ter M M M M F F M M M M (objek baru) 33? M M M M F F M M M M (objek baru) 33? 3. Pengurutan data berdasarkan nilai jarak dari nilai yang terkecil sampai terbesar dapat dilihat pada Tabel 4.3. Tabel 4.3. Hasil pengurutan dataset jantung berdasarkan nilai jarak 4. Pengambilan data sejumlah nilai K (misal K=5), dapat dilihat pada tabel 4.4. Tabel 4.4. Pengambilan dataset jantung sejumlah nilai K=5

8 Algoritma K-Nearest Neighbor Berbasis Forward Selection Untuk Mendiagnosis Penyakit (Achmad Naruddin Safriandono, M.Kom) Data ke- Age Sex Jarak (d) 1 32 M M F M M (objek baru) 33? Urutan jarak terkecil 5. Menentukan label yang frekuensinya paling sering di antara k training records yang paling dekat dengan objek. Pada tabel 4.4, hasil pengambilan data sejumlah nilai K, yaitu 5 data, maka didapatkan hasil sex sebagai berikut: Male (M) = 4 Female (F) = 1 Dengan menggunakan label yang frekuensinya paling sering, maka didapatkan nilai atribut class adalah Male (M). Jadi objek baru pada dataset jantung adalah age = 33; sex = M; trestbpd = 100; chol = 0; fbs = 0; restecg = 0; thalach = 140; exang = 0; oldpeak = 1; slope = 2; ca= 0; thal = 6 dan num =2. Tahap Pemodelan pada Algoritma Forward Selection dengan Dataset Jantung Langkah-langkah Forward Selection yang digunakan untuk dataset jantung : 1. Mulai dengan tidak ada variabel-variabel dalam model. 2. Variabel yang paling berkorelasi dengan Cp sebagai variabel dependen dipilih dan jika signifikan dimasukkan ke dalam model. 3. Menentukan prediktor-prediktor yang dimasukkan ke dalam model. Variabel Exang yang memiliki nilai koefisien korelasi (r = 0.269). F-statistic sekuensial yang berhubungan dengan Restecg menjadi variabel kedua yang dimasukkan ke dalam model. F-statistic sekuensial yang berhubungan dengan Num menjadi variabel ketiga yang dimasukkan ke dalam model. 8

9 KOMPUTAKI Vol.3, No.1 Februari Prosedur yang variabel-variabelnya tidak signifikan maka masuk ke dalam model dan model regresi berganda (multiple regression) untuk Cp sebagai variabel dependen: y = β 0 + β 1 (Exang) + β 2 (Restecg) + β 3 (Num) + ε 5. Menghitung F-statistik sekuensial pada variabel-variabel dapat dilihat pada Tabel 4.6. Tabel 4.6 berisi tabel ANOVA untuk model-model dipilih oleh prosedur forward selection. Model 1 menunjukkan model dengan single epithelial cell size hanya sebagai prediktor. Model 2 menunjukkan model dengan single epithelial cell size dan normal nucleoli yang dimasukkan sebagai prediktor. Model 3 menunjukkan model dengan Exang, Rectecg dan Num yang dimasukkan sebagai prediktor. SS extra = SS full SS reduced Dari Tabel 4.6 kami memiliki SS Restecg,Exang = dan SS Exang = 4.173, memberikan SS Restecg Exang = SS Exang,Restecg, SS Exang = = 2.48 Statistik uji untuk F-test parsial (atau sekuensial) pada dataset jantung adalah : F(Exang Resteg) = SS Exang,Restecg : MSE Restecg,Exang Dari tabel 4.6 memiliki MSE Restecg,Exang = 0.427, memeberikan F(Exang Resteg) = SS Exang,Restecg : MSE Restecg,Exang = : = Statistik uji untuk F-test parsial (atau sekuensial) pada dataset jantung adalah Model summary dari prosedur Forward Selection dengan dataset jantung SS Restecg Exang = SS Exang,Restecg, SS Exang Tabel ANOVA dan model summary dari prosedur Forward Selection dengan dataset jantung dibuat menggunakan software SPSS

10 Algoritma K-Nearest Neighbor Berbasis Forward Selection Untuk Mendiagnosis Penyakit (Achmad Naruddin Safriandono, M.Kom) Change Statistics Mod el R R Square Adjuste d R Square Std. Error of the Estimate R Squar e Chang e F Chang e df1 df2 Sig. Change F a b c a. Predictors: (Constant), Exang b. Predictors: (Constant), Exang, Restecg c. Predictors: (Constant), Exang, Restecg, Num Tabel 4.6 Tabel ANOVA untuk model-model yang dipilih prosedur Forward Selection dengan dataset jantung ANOVA d Model Sum of Squares Df Mean Square F Sig. 1 Regression a Residual Total

11 KOMPUTAKI Vol.3, No.1 Februari Regression b Residual Total Regression c Residual Total a. Predictors: (Constant), Exang b. Predictors: (Constant), Exang, Restecg c. Predictors: (Constant), Exang, Restecg, Num d. Dependent Variable: Cp Tahap Pengukuran dan Evaluasi Pengukuran dan evaluasi pada penelitian ini menggunakan confusion matrix (accuracy) dan ROC Curve. HASIL DAN PEMBAHASAN Hasil Eksperimen dan Pengujian Model Penelitian ini menggunakan dataset jantung koroner yang diambil dari UCI parameterparameter yaitu age, sex, chest pain type (Cp), tresbpd (resting blood pressure), Chol (serum cholestoral in mg/dl), fbs (fasting blood sugar), Restecg (Resting electrocardiographic results), Thalach (maximum heart rate achieved), Exang : exercise induced angina, oldpeak, slope, Ca (number of major vessels (0-3) colored by flourosopy), thal, dan Num (diagnosis of heart disease). Jumlah data set jantung sebanyak 123 record [10]. Salah satu teknik untuk menilai akurasi adalah cross validation [5]. Pengujian pada penelitian ini menggunakan ten fold cross validation. Pengujian pada diagnosis jantung koroner dengan menggunakan algoritma K-Nearest Neighbor, setelah itu pengujian pada algoritma Forward Selection-KNN. Pada dataset jantung sebanyak 123 record, nilai akurasi dihitung menggunakan ten fold cross validation pada algoritma K-Nearest Neighbor (k=1) sebesar 91.86% +/- 0.29%, sebagai berikut : 11

12 Algoritma K-Nearest Neighbor Berbasis Forward Selection Untuk Mendiagnosis Penyakit (Achmad Naruddin Safriandono, M.Kom) 1. Pengujian 1 : record 1-12 termasuk data testing, record termasuk data training. 2. Pengujian 2 : record termasuk data testing, record termasuk data training. 3. Pengujian 3 : record termasuk data testing, record termasuk data training. 4. Pengujian 4 : record termasuk data testing, record termasuk data training. 5. Pengujian 5 : record termasuk data testing, record termasuk data training. 6. Pengujian 6 : record termasuk data testing, record termasuk data training. 7. Pengujian 7 : record termasuk data testing, record termasuk data training. 8. Pengujian 8 : record termasuk data testing, record termasuk data training. 9. Pengujian 9 : record termasuk data testing, record termasuk data training. 10. Pengujian 10 : record termasuk data testing. Pengukuran dan Evaluasi Evaluasi dan validasi pada penelitian ini menggunakan confusion matrix (accuracy) dan ROC Curve. Pengukuran dan Evaluasi pada K-Nearest Neighbor dengan Dataset Jantung Dataset jantung pada k=1 yang memiliki nilai akurasi 86.79% +/- 7.73%. Tabel confusion matrix dan kurva Area Under Curve (AUC) pada algoritma K-Nearest Neighbor dengan dataset jantung dapat dilihat pada tabel 5.1 dan gambar 5.1. Tabel 5.1 Confusion matrix pada algoritma K- Nearest Neighbor dengan dataset jantung true Male true Female class precision pred. Male % pred. Female % class recall 92.92% 20.00% 12

13 0 Gambar 5.1 Area Under Curve (AUC) pada algoritma K-Nearest Neighbor dengan dataset jantung Pada tabel 5.1 dihasilkan nilai TP (true positive) 105, nilai TN (true negative) 2, nilai FP (false positive) 8, nilai FN (false negative) 8 dan nilai AUC (Area Under Curve) 0,936+/ yang termasuk dalam kategori klasifikasi sangat baik (excellent classification). Jika akurasinya adalah: Diketahui: TP = 105 FN = 8 TP+TN Akurasi = TP+TN+FP+FN = = 107 : 123 = 86.79% FP = 8 TN = 2

14 Algoritma K-Nearest Neighbor Berbasis Forward Selection Untuk Mendiagnosis Penyakit (Achmad Naruddin Safriandono, M.Kom) Pengukuran dan Evaluasi pada Forward Selection - K-Nearest Neighbor (KNN) dengan Dataset Jantung Dataset jantung pada k=1 yang memiliki nilai akurasi 91.86% +/- 0.29%. Tabel confusion matrix dan kurva Area Under Curve (AUC) pada algoritma Forward Selection KNN dengan dataset jantung dapat dilihat pada tabel 5.2 dan gambar 5.2. Tabel 5.2 Confusion matrix pada algoritma Forward Selection KNN dengan dataset jantung true Male true Female class precision pred. Male % pred. Female % class recall % 0.00% Gambar 5.2 Area Under Curve (AUC) pada algoritma Forward Selection KNN dengan dataset jantung Pada tabel 5.2 dihasilkan nilai TP (true positive) 113, nilai TN (true negative) 0, nilai FP (false positive) 0, nilai FN (false negative) 10 dan nilai AUC (Area Under Curve) / yang termasuk dalam kategori 14

15 KOMPUTAKI Vol.3, No.1 Februari 2017 klasifikasi sama (fair classification). Jika akurasinya adalah: Diketahui: TP = 113 FN = 10 KESIMPULAN Dari penelitian-penelitian yang pernah dilakukan tentang diagnosis penyakit jantung koroner terutama yang menggunakan algoritma K-Nearest Neighbor, akurasinya belum tinggi. Pada dataset jantung koroner, algoritma KNN (k=1) memiliki nilai akurasi 86.79% +/- 7.73% dan nilai AUC (Area Under Curve) 0,936+/ yang termasuk dalam kategori klasifikasi sangat baik (excellent classification). Pada dataset jantung koroner, algoritma Forward Selection-KNN (k=1) memiliki nilai akurasi 91.86% +/- 0.29% dan nilai AUC (Area Under Curve) / yang termasuk dalam kategori klasifikasi sama (fair classification). Pada penelitian ini, algoritma Forward Selection berbasis K-Nearest Neighbor (KNN) tingkat akurasinya lebih tinggi dari pada algoritma K-Nearest Neighbor (KNN) dalam mendiagnosis penyakit jantung koroner. DAFTAR PUSTAKA [1] N. C. for C. D. P. and H. Promotion, Heart Disease, National Center for Chronic Disease Prevention and Health Promotion, pp. 1 2, [2] D. T. Larose, Discovering Knowledge in Data: An Introduction to Data Mining. United States of America: John Wiley & Sons, Inc, [3] M. Moradian and A. Baraani, KNNBA: K-Nearest-Neighbor Based Association Algorithm, Journal of Theoretical and Applied Information Technology, [4] J. Wu and Z. Cai, Attribute Weighting via Differential Evolution Algorithm for Attribute Weighted Naive Bayes ( WNB ), vol. 5, pp , [5] J. Han and M. Kamber, Data Mining Concept dan Techniques, 2nd ed. United States of America: Diane Cerra, [6] I. H. Witten, E. Frank, and M. A.Hall, Data mining: Practical Machine Learning Tools and Techniques, 3rd ed. USA: Kauffmann, Morgan, p [7] F. Gorunesco, Data Mining Concept Model Technique. Romania: Springer, [8] R. Noori, A. R. Karbassi, A. Moghaddamnia, D. Han, M. H. Zokaeiashtiani, and A. Farokhnia, Assessment of input variables determination on the SVM model performance using PCA, Gamma test, and forward selection techniques for monthly stream flow prediction, 15

16 Algoritma K-Nearest Neighbor Berbasis Forward Selection Untuk Mendiagnosis Penyakit (Achmad Naruddin Safriandono, M.Kom) Journal of Hydrology, vol. 401, no. 3 4, pp , [9] D. T. Larose, Data Mining Methods and Models. New Jersey, Canada: John Wiley & Sons, Inc, [10] Frank, A. & Asuncion, A, UCI Machine Learning Repository ml, Irvine, CA: University of California, School of Information and Computer Science,