The Efficiency of Data Mining Technique for the Prognosis of Cerebrovascular Disease
Article Sidebar
Main Article Content
Abstract
The purpose of this research is to compare the efficiency of data mining techniques to find the suitable model for prognosis of cerebrovascular disease. The 5110 patients with cerebrovascular disease was used in this research. The data was collected from Clínico San Carlos Hospital, Spain via www.kaggle.com. The data was analyzed in 4 different techniques of data mining consisting of (1) Naïve Bayes, (2) Deep Learning, (3) Decision Tree, and (4) Random Forest to simulate cerebrovascular disease prediction. The efficiency of data classification was compared in 3 different criteria which are accuracy, f-measure, and sensitivity to determine the most appropriate simulation for prognosis. The result suggested that the Deep Learning technique was the most appropriate technique to simulate prognosis of cerebrovascular disease with 95.11% of accuracy, 97.49% of f-measure, and 99.98% of sensitivity.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
All authors need to complete copyright transfer to Journal of Applied Informatics and Technology prior to publication. For more details click this link: https://ph01.tci-thaijo.org/index.php/jait/copyrightlicense
References
ชณิดาภา บุญประสม และจรัญ แสนราช. (2561). การวิเคราะห์การทำนายการลาออกกลางคันของนักศึกษาระดับปริญญาตรีโดยใช้เทคนิควิธีการทําเหมืองข้อมูล. วารสารวิชาการครุศาสตร์อุตสาหกรรม พระจอมเกล้าพระนครเหนือ, 9(1). 142-151.
เดช ธรรมศิริ และพยุง มีสัจ. (2556). การจําแนกข้อมูลด้วยวิธีแบบร่วมกันตัดสินใจจากพื้นฐานของเทคนิคต้นไม้ตัดสินใจเทคนิคโครงข่ายประสาทเทียม และเทคนิคซัพพอร์ตเวกเตอร์แมชชีนร่วมกับการเลือกตัวแทนที่เหมาะสมด้วยขั้นตอนวิธีเชิงพันธุกรรม. วารสารวิชาการพระจอมเกล้าพระนครเหนือ, 21(2), 293-303.
ปิยวรรณ นิลถนอม, ธนพร มาลัย และสายชล สินสมบูรณ์ทอง. (2563). การเปรียบเทียบประสิทธิภาพการทำนายผลการแปลงข้อมูลในการจำแนกด้วยเทคนิคการทำเหมืองข้อมูล. Thai Journal of Science and Technology, 10(1), 14-25.
รัตนพร สายตรี, ปุญญพัฒน์ ไชยเมล์ และสมเกียรติยศ วรเดช. (2562). ความสามารถในการประกอบกิจวัตรประจำวันของผู้ป่วยโรคหลอดเลือดสมอง. วารสารวิชาการสาธารณสุขชุมชน, 5(2), 1-13.
รุ่งโรจน์ บุญมา และนิเวศ จิระวิชิตชัย. (2562). การจำแนกประเภทผู้ป่วยโรคเบาหวานโดยใช้เทคนิคเหมืองข้อมูลและการเลือกคุณลักษณะจากความสัมพันธ์ของข้อมูล. วารสารวิชาการซายน์เทค, 3(2), 11-19.
วัชรีวรรณ จิตต์สกุล และสุนันฑา สดสี. (2560). การวิเคราะห์การจําแนกข้อความด้วยการเปรียบเทียบความเสถียรของอัลกอริทึม. ศรีปทุมปริทัศน์ ฉบับวิทยาศาสตร์และเทคโนโลยี, 9 ,19-31.
สมศักดิ์ ศรีสวการย์ และสมัย ศรีสวย. (2563). การวิเคราะห์เหมืองความคิดเห็นโดยใช้เทคนิคการสกัดคํา. วารสารวิชาการการประยุกต์ใช้เทคโนโลยีสารสนเทศ, ปีที่ 6 (2), 95-104.
สำนักงานพัฒนานโยบายสุขภาพระหว่างประเทศ. (2560). รายงานภาระโรคและการบาดเจ็บของประชากรไทย พ.ศ. 2557. Burden of Disease Thailand. สืบค้น 5 ตุลาคม 2564, สืบค้นจาก http://bodthai.net/download/รายงานภาระโรคและการบาด/
อนุพงศ์ สุขประเสริฐ. (2563). คู่มือการทำเหมืองข้อมูลด้วยโปรแกรม RapidMiner Studio. พิมพ์ครั้งที่ 3. สาขาวิชาคอมพิวเตอร์ธุรกิจ คณะการบัญชีและการจัดการมหาวิทยาลัยมหาสารคาม:มหาสารคาม.
Rahman, M. (2020). Stroke Prediction Dataset. kaggle. Retrieved 25 September 2021, Retrieved from https://www.kaggle.com/fedesoriano/stroke-prediction-dataset/version/1