Penerapan Algoritma Logistic Regression untuk Memprediksi Keberhasilan Terapi Kutil (Cryotherapy)

Authors

  • Muhammad Fiqih Ainurohman Universitas Pancasakti Tegal
  • Hasbi Firmansyah Universitas Pancasakti Tegal
  • Wahyu Asriyani Universitas Pancasakti Tegal
  • Rizki Prasetyo Tulodo Universitas Pancasakti Tegal

Keywords:

Data Mining, Regresi Logistik, Cryotherapy

Abstract

Cryotherapy (terapi beku) adalah cara umum untuk mengobati kutil, tetapi tingkat keberhasilannya berbeda-beda antar pasien. Penelitian ini bertujuan membuat model untuk memprediksi apakah Cryotherapy berhasil atau tidak, menggunakan teknik Data Mining dengan algoritma Logistic Regression. Data yang digunakan berasal dari UCI Machine Learning Repository, yang berisi 90 data pasien dan 6 informasi klinis, yaitu usia, jenis kelamin, durasi terapi, jumlah kutil, jenis kutil, dan luas area kutil. Penelitian dilakukan dengan menggunakan perangkat lunak RapidMiner dan metode validasi 10-Fold Cross Validation. Hasil menunjukkan algoritma Regresi Logistik mampu memprediksi keberhasilan terapi dengan akurasi sebesar 86,67%. Penelitian juga menemukan bahwa variabel usia pasien yang muda, yaitu antara 15 sampai 20 tahun, berpengaruh paling besar terhadap hasil pengobatan.

References

Chaudhary, D., Sun, Y., & Gao, X. (2023). Comparison of Cryotherapy and Topical Salicylic Acid in Common Warts : A Systematic Review and Meta-Analysis. 2023. https://doi.org/10.1155/2023/4283918

Degree, M. M., Science, C., & Lecture, A. C. (2012). Data Mining : Concepts and.

Dreiseitl, S., & Ohno-machado, L. (2003). Logistic regression and artificial neural network classification models : a methodology review. 35(2002), 352–359. https://doi.org/10.1016/S1532-0464(03)00034-0

Eichen, L. F., Ahluwalia, J., Waldman, A., Borok, J., Udkoff, J., & Boguniewicz, M. (2017). ScienceDirect Current guidelines for the evaluation and management of atopic dermatitis – A comparison of the Joint Task Force Practice Parameter and American Academy of Dermatology Guidelines. Otolaryngologia Polska, 4(4), 158–168. https://doi.org/10.1016/j.alergo.2017.11.001

Kapoor, A. (n.d.). ML Approach : Algorithms , Real-World Applications and Research Directions. 1–23.

Song, X., Liu, X., Liu, F., & Wang, C. (2021). International Journal of Medical Informatics Comparison of machine learning and logistic regression models in predicting acute kidney injury : A systematic review and meta-analysis. International Journal of Medical Informatics, 151, 104484. https://doi.org/10.1016/j.ijmedinf.2021.104484

Sperandei, S. (2014). Lessons in biostatistics Understanding logistic regression analysis. 12–18.

Verma, A. K., Pal, S., & Kumar, S. (2019). Classification of Skin Disease using Ensemble Data Mining Techniques. 20(2010), 1887–1894. https://doi.org/10.31557/APJCP.2019.20.6.1887

Zaaijer, K., Assendelft, W. J. J., Waal, M. W. M. De, Nico, J., Bavinck, B., Koes, B. W., & Eekhof, J. A. H. (2010). Cryotherapy with liquid nitrogen versus topical salicylic acid application for cutaneous warts in primary care: randomized controlled trial. 182(15). https://doi.org/10.1503/cmaj.092194

Downloads

Published

2025-12-25