Comparison of Data Classification Efficiency to Analyze Risk Factors that Affect the Occurrence of Hyperthyroid using Data Mining Techniques

Main Article Content

Nattavadee Hongboonmee
Praphasiri Trepanichkul

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

How to Cite
[1]
N. Hongboonmee and P. Trepanichkul, “Comparison of Data Classification Efficiency to Analyze Risk Factors that Affect the Occurrence of Hyperthyroid using Data Mining Techniques”, JIST, vol. 9, no. 1, pp. 41–51, Jun. 2019.
Section
Research Article: Multidisciplinary (Detail in Scope of Journal)

References

1. เทพ หิมะทองคำ, ไทรอยด์ รู้สัญญาณเตือนแยกแยะและรับมือโรคของต่อมไทรอยด์อย่างเข้าใจ, กรุงเทพฯ: สำนักพิมพ์อมรินทร์สุขภาพ, 2553.

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.