Performansi Algoritma Decision Tree (C4.5) untuk Prediksi Penyakit Jantung

Petra Valentino; Siska Narulita

doi:10.54066/jci.v3i2.349

Petra Valentino Institut Teknologi dan Bisnis Semarang
Siska Narulita Institut Teknologi dan Bisnis Semarang

DOI: https://doi.org/10.54066/jci.v3i2.349

Keywords: Penyakit Jantung, Klasifikasi, Data Mining, Prediksi, Decision Tree, C4.5

Abstract

Gangguan pada jantung terus meningkat dan menjadi penyakit yang mematikan. Perlunya diagnosis secara dini terhadap penyakit ini, namun hal itu sangat sulit dilakukan. Hal ini dikarenakan kurangnya tenaga ahli medis yang terlatih dan sumber daya lain yang dibutuhkan untuk melakukan diagnosis dan perawatan yang tepat bagi pasien penyakit jantung. Proses evaluasi menggunakan hasil prediksi yang akurat terhadap resiko gagal jantung sangat membantu penderita dalam mencegah serangan jantung yang parah dan dapat meningkatkan angka keselamatan dari penderita penyakit ini. Diantara cara yang paling efektif dalam mengidentifikasi dan melakukan prediksi pada penyakit jantung adalah dengan pemanfaatan algoritma data mining. Penelitian ini bertujuan untuk membuat model terbaik untuk prediksi penyakit jantung menggunakan algoritma data mining Decision Tree (C4.5). Berdasarkan hasil penelitian yang telah selesai dilakukan, dapat diambil kesimpulan bahwa nilai akurasi terbaik diperoleh pada model prediksi yang menggunakan perbandingan data training dan data testing sebesar 90%:10% yang menghasilkan nilai akurasi sebesar 88,35%. Model prediksi ini diharapkan dapat menjadi alat pendukung dalam diagnosis penyakit jantung, sehingga dapat dilakukan pencegahan serangan jantung yang parah dan dapat meningkatkan persentase angka keselamatan bagi penderita.

References

[1] A. Riani, Y. Susianto, and N. Rahman, “Implementasi Data Mining untuk Memprediksi Penyakit Jantung Menggunakan Metode Naive Bayes,” JINITA J. Innov. Inf. Technol. Appl., vol. 1, no. 1, pp. 25–34, 2019.
[2] W. Nugraha, “Prediksi Penyakit Jantung Cardiovaskular Menggunakan Model Algoritma Klasifikasi,” J. Sigmata, vol. 9, no. 2, pp. 78–84, 2021.
[3] M. S. Oh and M. H. Jeong, “Sex Differences in Cardiovascular Disease Risk Factors among Korean Adults,” Korean J. Med., vol. 95, no. 4, pp. 266–275, 2020.
[4] A. U. Haq, J. P. Li, M. H. Memon, S. Nazir, and R. Sun, “A Hybrid Intelligent System Framework for the Prediction of Heart Disease using Machine Learning Algorithms,” Hindawi Mob. Inf. Syst., vol. Wearable T, pp. 1–21, 2018.
[5] S. Ghwanmeh, A. Mohammad, and A. Al-Ibrahim, “Innovative Artificial Neural Networks-Based Decision Support System for Heart Diseases Diagnosis,” J. Intell. Learn. Syst. Appl., vol. 5, no. 3, pp. 176–183, 2013.
[6] Q. K. Al-Shayea, “Artificial Neural Networks in Medical Diagnosis,” IJCSI Int. J. Comput. Sci., vol. 8, no. 2, pp. 150–154, 2011.
[7] F. Gorunescu, Data Mining Concepts, Models, and Techniques. Verlag Berlin Heidelberg: Springer, 2011.
[8] I. D. Mienye, P. Y. Sun, and P. Z. Wang, “An Improved Ensemble Learning Approach for The Prediction of Heart Disease Risk,” Informatics Med. Unlocked, pp. 1–5, 2020.
[9] I. H. Witten, E. Frank, and M. A. Hall, Data Mining Third Edition. Elsevier Inc., 2011.
[10] B. Santosa, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007.
[11] J. Han, M. Kamber, and J. Pei, Data Mining, Concepts and Techniques, Third Edit. Massachusetts: Morgan Kaufmann Publishers, 2012.
[12] D. T. Larose, Data Mining Methods and Models. New Jersey: John Wiley & Sons, Inc, 2006.
[13] Dennis Aprilla C, Donny Aji Baskoro, L. Ambarwati, and I. W. S. Wicaksana, Belajar Data Mining dengan Rapid Miner. Jakarta: Open Content Model, 2013.
[14] F. Riandari and A. Simangunsong, “Penerapan Algoritma C4.5 untuk Mengukur Tingkat Kepuasan Mahasiswa,” J. Mantik Penusa, vol. 3, no. 2, pp. 1–7, 2019.
[15] A. Wanto et al., Data Mining: Algoritma dan Implementasi. Medan: Yayasan Kita Menulis, 2020.
[16] T. W. Liao and E. Triantaphyllou, Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications. World Scientific, 2007.
[17] L. Breiman, “Random Forests,” Mach. Learn., vol. 45, pp. 5–32, 2001.
[18] M. Zed, Metode Penelitian Kepustakaan. Jakarta: Yayasan Obor Indonesia, 2008.
[19] Z. I. Alfianti, “Pengelompokan Wilayah Penyebaran Covid-19 di Kabupaten Karawang Menggunakan Algoritma K-Means,” J. Ilm. Inform. Komput., vol. 26, no. 2, pp. 111–122, 2021.
[20] N. Mirantika, A. Tsamratul’ain, and F. D. Agnia, “Penerapan Algoritma K-Means Clustering untuk Pengelompokan Penyebaran Covid-19 di Provinsi Jawa Barat,” Nuansa Inform. Technol. Inf. J., vol. 15, no. 2, pp. 92–98, 2021.
[21] R. Meri, “Metode K-Means Clustering dalam Persebaran Covid-19 di Sumatra Barat,” J. Edik Inform., vol. 8, no. 1, pp. 1–12, 2021.
[22] E. Juliana, V. N. Aleyda, and Yuliana, “Penerapan Metode Clustering K-Means untuk Membantu Menentukan Tingkatan Status Daerah Dampak Covid-19,” J. Media TIK, vol. 4, no. 3, pp. 112–114, 2021.
[23] N. Nugroho and F. D. Adhinata, “Penggunaan Metode K-Means dan K-Means++ sebagai Clustering Data Covid-19 di Pulau Jawa,” Tek. J. Teknol. Inf. dan Komun., vol. 11, no. 3, pp. 170–179, 2022.