Comparison of Data Classification Efficiency to Analyze Risk Factors that Affect the Occurrence of Hyperthyroid using Data Mining Techniques
Article Sidebar
Main Article Content
Abstract
This research aims to compare the efficiency of data classification by 3 types of data mining algorithms, artificial neural networks, naive bayes and decision tree in order to obtain the most efficient model that will be analyzed for factors affecting the risk of hyperthyroid by reducing inputs individually. The data used in the experiment are data from hospitals in Phitsanulok, there are 323 datasets. The data for analysis are 12 factors. The comparison results showed that the classification of data using artificial neural networks gave the highest efficiency with 82.97% accuracy, which is more than a decision trees and naive bayes with efficiency values of 79.87% and 68.11%, respectively. Effect on the risk of hyperthyroid, it was found that the important symptoms were mood swings and fatigue. The personal factors that are important are gender. In addition to finding factors, this research can also use the data classification model developed to predict the risk of hyperthyroid on smart phone. To help support decision-making in the analysis of hyperthyroid disease risk, can be self-screening, and can continue to guide the treatment of doctors and patients.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
I/we certify that I/we have participated sufficiently in the intellectual content, conception and design of this work or the analysis and interpretation of the data (when applicable), as well as the writing of the manuscript, to take public responsibility for it and have agreed to have my/our name listed as a contributor. I/we believe the manuscript represents valid work. Neither this manuscript nor one with substantially similar content under my/our authorship has been published or is being considered for publication elsewhere, except as described in the covering letter. I/we certify that all the data collected during the study is presented in this manuscript and no data from the study has been or will be published separately. I/we attest that, if requested by the editors, I/we will provide the data/information or will cooperate fully in obtaining and providing the data/information on which the manuscript is based, for examination by the editors or their assignees. Financial interests, direct or indirect, that exist or may be perceived to exist for individual contributors in connection with the content of this paper have been disclosed in the cover letter. Sources of outside support of the project are named in the cover letter.
I/We hereby transfer(s), assign(s), or otherwise convey(s) all copyright ownership, including any and all rights incidental thereto, exclusively to the Journal, in the event that such work is published by the Journal. The Journal shall own the work, including 1) copyright; 2) the right to grant permission to republish the article in whole or in part, with or without fee; 3) the right to produce preprints or reprints and translate into languages other than English for sale or free distribution; and 4) the right to republish the work in a collection of articles in any other mechanical or electronic format.
We give the rights to the corresponding author to make necessary changes as per the request of the journal, do the rest of the correspondence on our behalf and he/she will act as the guarantor for the manuscript on our behalf.
All persons who have made substantial contributions to the work reported in the manuscript, but who are not contributors, are named in the Acknowledgment and have given me/us their written permission to be named. If I/we do not include an Acknowledgment that means I/we have not received substantial contributions from non-contributors and no contributor has been omitted.
References
2. เอกสิทธิ์ พัชรวงศ์ศักดา, การวิเคราะห์ข้อมูลด้วยเทคนิคดาต้าไมน์นิงเบื้องต้น, ปทุมธานี: ดาต้าคิวบ์, 2557.
3. ภัทธิรา สุวรรณโค, นิศาชล จำนงศรีและจิติมนต์ อั่งสกุล, “แบบจำลองการพยากรณ์ความเสี่ยงในการเกิดอุบัติเหตุทางถนนในเทศกาลปีใหม่ด้วยการทำเหมืองข้อมูล,” Journal of Information Science and Technology (JIST), Vol. 7, No. 2, pp.10-19, 2017.
4. สายชล สินสมบุรณ์ทอง, การทำเหมืองข้อมูล Data Mining, กรุงเทพฯ: จามจุรีโปรดักท์, 2558.
5. J.R. Quinlan, “Introduction of Decision Trees,” Machine Learning, Vol. 1, pp.81-106, 1986.
6. Panomkorm, “ระบบปฏิบัติการ android,” Dec, 2013. [Online]. Available:https://panomkorn.wordpress.com/2013/07/26 / ระบบปฏิบัติการ-android/. [Accessed Dec. 15, 2018].
7. นงเยาว์ ในอรุณและพรรณี สิทธิเดช, “การจำแนกผู้ป่วยโรคหัวใจขาดเลือดและผู้ป่วยโรคหัวใจรูปแบบอื่นโดยใช้เทคนิคเหมืองข้อมูล,” บทความวิจัยการประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 7, 2554, หน้า 551-557.
8. กรวิกา ภูนบผา, ระวี ฉวีวงศ์ และวงกต ศรีอุไร, “ระบบวิเคราะห์ความเสี่ยงของการเกิดโรคอ้วนลงพุงและแนะนำอาหารสำหรับผู้ป่วย,” บทความการประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศครั้งที่ 8, 2555, หน้า 56-62.
9. นพรัตน์ พจน์จิราภรณ์, จีระศักดิ์ นำประดิษฐ์และศักดิ์ชายตั้งวรรณวิทย์, “ระบบสนับสนุนทางการแพทย์เพื่อวิเคราะห์โรคหลอดเลือดแดงโป่งพองโดยใช้เทคนิคเหมืองข้อมูลกรณีศึกษาการรักษาหลอดเลือดแดงโป่งพองผ่านสายสวน,” บทความวิจัยการประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 11, 2558, หน้า 346-351.
10. ณัฐกร เมืองแก้ว, กาญจนา วิริยะพันธ์, ศักดา วัลลิภากรและพิมพ์ภา เตชะกมลสุข, “ระบบพยากรณ์ความรุนแรงและโอกาสเสียชีวิตในเด็กที่ได้รับบาดเจ็บหรืออุบัติเหตุโดยใช้โครงข่ายประสาทเทียม,” บทวามวิจัยการประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 9, 2556, หน้า 27-32.
11. สุพาพร บรรดาศักดิ์, เบญญาภา ศรีสว่างและสุภาวดีทองคำ, “การคัดกรองสุขภาพสำหรับผู้ที่เสี่ยงต่อการเป็นโรคข้อเข่าเสื่อมโดยใช้เหมืองข้อมูล,” บทความวิจัยการประชุมวิชาการระดับประเทศด้านเทคโนโลยีสารสนเทศ ครั้งที่ 8, 2559, หน้า 168-174.
12. พวงทอง วงอนันต์ และธีรพงษ์ สังข์ศรี, “การพัฒนาระบบการคัดกรองกลุ่มเสี่ยงโรคเบาหวานโดยใช้เทคนิคเหมืองข้อมูล,” The 5thASEAN Undergraduate Conference in Computing , 2017, หน้า. 145-150.
13.ไววิทย์ พานิชอัศดร, มหศักดิ์ เกตุฉ่ำ, “การพยากรณ์ยอดขายปลีกแก๊สรถยนต์ด้วยวิธีการวิเคราะห์อนุกรมเวลาและโครงข่ายประสาทเทียม,” Journal of Information Science and Technology (JIST), Vol. 7, No. 1, pp.42-49, 2017.
14. บรรจบ ดลกุล, จารี ทองคำและวาทินี สุขมาก, “การสร้างแบบจำลองเพื่อพยากรณ์การเกิดแผลที่เท้าของผู้ป่วยโรคเบาหวานโดยใช้เทคนิคเหมืองข้อมูล,” Journal of Science and Technology Mahasarakham University, Vol. 33, No. 6, pp. 703-710, 2014.