Review Literature

1. Judul Diagnosing schizophrenia with network analysis and a machine learning

method
2. Penulis Jo Y, Joo S, Shon S, Kim H, Kim Y, Lee J
3. Prodi Department of Psychiatry, Asan Medical Center, University of Ulsan
College of Medicine, Seoul, Korea
4. Jurnal International Journal of Methods in Psychiatric Research, Volume 29,
Issue 1
( https://onlinelibrary.wiley.com/doi/10.1002/mpr.1818 )
5. Metode Analisis jaringan dan metode pembelajaran mesin
6 Hasil Dalam mengklasifikasikan pasien skizofrenia dan kontrol kesehatan
melalui properti jaringan, model pembelajaran support vector machine,
random forest, naïve bayes, dan gradient boostingmachine
menunjukkan kemajuan kinerja yang meningkat. Keseluruhan
konektivitas dinyatakan sebagai fitur kontribusi paling signifikan untuk
klasifikasi ini di antara properti jaringan global. Di antara properti
jaringan nodal, meskipun kepentingan relatif dari setiap wilayah yang
diinginkan tidak identik, tetapi didalamnya masih terdapat beberapa
pola.

1. Judul Identifying Modifiable Risk Factors for Relapse in Patients With

Schizophrenia in China
2. Penulis Wei-Feng Mi , Xiao-Min Chen , Teng-Teng Fan , Serik Tabarak , Jing-Bo
Xiao , Yong-Zhi Cao , Xiao-Yu Li , Yan-Ping Bao , Ying Han, Ling-Zhi Li ,
Ying Shi , Li-Hua Guo , Xiao-Zhi Wang , Yong-Qiao Liu , Zhan-Min Wang ,
Jing-Xu Chen, Feng-Chun Wu, Wen-Bin Ma, Hua-Fang Li, Wei-Dong Xiao,
Fei-Hu Liu, Wen Xie, Hong-Yan Zhang and Lin Lu
3. Prodi Department of Psychiatry, Peking University
4. Jurnal Frontiers in Psychiatry , 11, 2020
( https://www.frontiersin.org/articles/10.3389/fpsyt.2020.574763/full )
5. Metode Menggunakann kuesioner untuk mengumpulkan informasi tentang
kekambuhan dan faktor korelatif selama satu tahun setelah keluar
dengan pengumpulan rekam medis dan wawancara telepon. Uji χ2 dan
analisis regresi logistik digunakan untuk mengidentifikasi faktor risiko
dan faktor risiko tinggi terlebih dahulu, kemudian model pohon
keputusan digunakan untuk menemukan faktor prediktif.
6 Hasil Tes χ2 menemukan sembilan faktor risiko yang terkait dengan
kekambuhan. Analisis regresi logistik juga menunjukkan empat faktor
risiko tinggi lebih lanjut (kepatuhan pengobatan, status pekerjaan,
kemampuan hidup sehari-hari, metode pembayaran biaya pengobatan).
Akhirnya, model pohon keputusan mengungkapkan empat prediktor
kekambuhan; itu menunjukkan bahwa kepatuhan pengobatan adalah
tingkat pertama dan prediktor paling kuat dari kekambuhan (tingkat
kekambuhan untuk kepatuhan vs ketidakpatuhan: 22,9 vs 55,7%, χ2 =
116,36, p <0,001). Faktor kelas dua adalah status pekerjaan (pekerjaan
 vs pengangguran: 19,7 vs 42,7%, χ2 = 17,72, p <0,001); faktor kelas tiga
adalah kemampuan hidup sehari-hari (normal vs sulit: 28,4 vs 54,3%, χ2
= 8,61, p = 0,010) dan pendapatan rumah tangga (pendapatan rumah
tangga ≥ 3000 RMB vs <3000 RMB: 28,6 vs 42,4%, χ2 = 6,30, p = 0,036).
Nilai prediksi positif keseluruhan (PPV) dari regresi logistik adalah 0,740,
dan model pohon keputusan adalah 0,726. Kedua model itu dapat
diandalkan.

1. Judul Klasifikasi Gangguan Jiwa Skizofrenia Menggunakan Algoritme Decision

Tree C5.0
2. Penulis Febriyanti Riyanda, Imam Cholissodin, Sutrisno
3. Prodi Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Brawijaya
4. Jurnal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 3,
No. 10, Oktober 2019, hlm. 10176-10182
(http://j-ptiik.ub.ac.id)

e-ISSN: 2548-964X
5. Metode Metode Pengujian menggunakan akurasi
6 Hasil Data yang digunakan sebanyak 106 data yang diambil dari RSJ. Dr.
Radjiman Wediodiningrat Lawang, data ini terdiri dari 89 data latih dan
17 data uji. Metode pengujian yang digunakan adalah akurasi.
Berdasarkan hasil pengujian parameter C5.0 didapatkan nilai rata-rata
akurasi tertinggi sebesar 85,884% dengan jumlah data = 71 sampel,
jumlah trial atau jumlah decision tree yang terbentuk=100.

1. Judul Klasifikasi Gangguan Jiwa Skizofrenia Menggunakan Algoritme Decision

Tree C5.0
2. Penulis Febriyanti Riyanda, Imam Cholissodin, Sutrisno
3. Prodi Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Brawijaya
4. Jurnal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 3,
No. 10, Oktober 2019, hlm. 10176-10182
(http://j-ptiik.ub.ac.id)

e-ISSN: 2548-964X
5. Metode Metode Pengujian menggunakan akurasi
6 Hasil Data yang digunakan sebanyak 106 data yang diambil dari RSJ. Dr.
Radjiman Wediodiningrat Lawang, data ini terdiri dari 89 data latih dan
17 data uji. Metode pengujian yang digunakan adalah akurasi.
Berdasarkan hasil pengujian parameter C5.0 didapatkan nilai rata-rata
akurasi tertinggi sebesar 85,884% dengan jumlah data = 71 sampel,
jumlah trial atau jumlah decision tree yang terbentuk=100.

1. Judul Predicting hospital-acquired pneumonia among schizophrenic patients:

 A machine learning approach
2. Penulis Kuang Ming Kuo, Paul C. Talley, Chi Hsien Huang & Liang Chih Cheng
3. Prodi Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Brawijaya
4. Jurnal BMC Medical Informatics and Decision Making volume 19, Article
number: 42 (2019)
(DOI: 10.1186/s12911-019-0792-1 )
5. Metode Metode Pengujian menggunakan akurasi
6 Hasil Di antara tujuh algoritma pembelajaran mesin yang diadopsi, hutan acak
dan pohon keputusan dipamerkan secara optimal akurasi prediksi versus
algoritma yang tersisa. Selanjutnya, enam faktor risiko terpenting,
termasuk, dosis, clozapine penggunaan, lama pengobatan, perubahan
jumlah neutrofil, perubahan jumlah leukosit, dan interaksi obat-obat,
juga teridentifikasi.