Penerapan Algoritma C4.5 Untuk Prediksi Penyakit Jantung Menggunakan Rapidminer
Keywords:
Penyakit jantung, Klasifikasi, Data mining, Algoritma C4.5Abstract
Jantung merupakan organ yang sangat penting untuk dijaga kesehatannya, karena begitu pentingnya fungsi jantung bagi tubuh manusia. Penyakit jantung sangat sulit untuk dideteksi, sehingga menyebabkan banyak orang yang meninggal secara tiba-tiba tanpa menyadari jika seseorang terkena penyakit jantung atau serangan jantung. Penyakit jantung merupakan penyebab kematian nomor satu di dunia. Data ini kami olah untuk mengetahui faktor apa saja yang paling berpotensi pada penyakit jantung, dengan hasil pengolahan data ini kami harapkan dapat menjadi pengingat bagi siapa saja untuk menjaga pola hidup sehat dan mengantisipasi potensi penyakit jantung sejak dini. Teknik data mining yang digunakan dalam penelitian ini menggunakan metode Decision Tree melalui algoritma C4.5 hasil yang diperoleh mulai dari nilai accuracy, precision, dan recall dengan membandingkan split data pada data training dan data testing yang terbesar adalah split data 90 – 10 yaitu accuracy = 65.25%, recall = 70.87% , dan precision = 62.46%. Dengan menggunakan algoritma C4.5 ini diharapkan dapat menghasilkan akurasi yang tepat untuk memprediksi penyakit jantung.
The heart is an organ that is very important to maintain its health, because it is so important the function of the heart for the human body. Heart disease is very difficult to detect, causing many people to die suddenly without realizing if someone has heart disease or a heart attack. Heart disease is the number one cause of death in the world. We process this data to find out what factors have the most potential in heart disease, with the results of this data processing we hope to be a reminder for anyone to maintain a healthy lifestyle and anticipate the potential for heart disease early on. The data mining technique used in this study uses the Decision Tree method through the C4.5 algorithm. The results obtained start from the accuracy, precision, and recall values by comparing the split data on training data and testing data. The largest is a data split of 90 – 10, namely accuracy = 65.25%, recall = 70.87%, and precision = 62.46%. By using this C4.5 algorithm, it is expected to produce the right accuracy to predict heart disease.
References
Pangaribuan, J. J., Tanjaya, H., & Kenichi, K. (2021). Mendeteksi penyakit jantung menggunakan machine learning dengan algoritma logistic regression. Journal Information System Development (ISD), 6(2), 1-10.
Rokhayati, A., & Rumahorbo, H. (2020). Gambaran efikasi diri dalam pengelolaan faktor risiko dan pemeliharaan fungsi kesehatan pasien penyakit jantung koroner. Jurnal riset kesehatan poltekkes depkes bandung, 12(2), 285-296.
Malaeny, C. S., Katuuk, M., & Onibala, F. (2017). Hubungan Riwayat Lama Merokok Dan Kadar Kolesterol Total Dengan Kejadian Penyakit Jantung Koroner Di Poliklinik Jantung Rsu Pancaran Kasih Gmim Manado. Jurnal Keperawatan, 5(1).
Erawati, E. (2018). Hubungan tekanan darah dengan kadar kolesterol ldl (low density lipoprotein) pada penderita penyakit jantung koronerdi rsup. dr. m. djamil padang. Jurnal Kesehatan Perintis, 5(2), 129-132.
Novitasari, F. (2023). Sistem Klasifikasi Penyakit Jantung Menggunakan Teknik Pendekatan SMOTE Pada Algoritma Modified K-Nearest Neighbor. Jurnal Building of Informatics, Technology and Science (BITS), 5(1), 274-284.
Anggraini, R., Haerani, E., Jasril, J., & Afrianty, I. (2022). Pengelompokkan Penyakit Pasien Menggunakan Algoritma K-Means. JURIKOM(Jurnal Riset Komputer),9(6),1840. https://doi.org/10.30865/jurikom.v9i6.5145
Komarudin, R., Vicenna, P., Yudha, B., Maulana, Y. I., Afni, N., Salim, A., & Carolina, I. (2021). Bianglala Informatika Penerapan Metode Algoritma C4.5 Dalam Klasifikasi Diagnosa Penyakit Umum Menggunakan WEKA. Bianglala Informatika, 9(2).
Sepharni, A., Hendrawan, I. E., & Rozikin, C. (2022). Klasifikasi Penyakit Jantung dengan Menggunakan Algoritma C4. 5. STRING (Satuan Tulisan Riset dan Inovasi Teknologi), 7(2), 117-126.
Widaningsih, S. (2019). Perbandingan Metode Data Mining Untuk Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika Dengan Algoritma C4, 5, Naïve Bayes, Knn Dan Svm. Jurnal Tekno Insentif, 13(1), 16-25.
A. Yoga Pratama et al., “Analisis Sentimen Media Sosial Twitter Dengan Algoritma K- Nearest Neighbor Dan Seleksi Fitur Chi-Square (Kasus Omnibus Law Cipta Kerja),” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 897–910, 2021.
D. L. Rianti, Y. Umaidah, and A. Voutama, “Tren Marketplace Berdasarkan Klasifikasi Ulasan Pelanggan Menggunakan Perbandingan Kernel Support Vector Machine,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 6, no. 1, p. 98, 2021, doi: 10.30998/string.v6i1.9993.
Sofyan, F. M. A., Voutama, A., & Umaidah, Y. (2023). PENERAPAN ALGORITMA C4. 5 UNTUK PREDIKSI PENYAKIT PARU-PARU MENGGUNAKAN RAPIDMINER. JATI (Jurnal Mahasiswa Teknik Informatika), 7(2), 1409-1415.
S. Febriani and H. Sulistiani, “Analisis Data Hasil Diagnosa Untuk Klasifikasi Gangguan Kepribadian Menggunakan Algoritma C4.5,” 89Jurnal Teknol. dan Sist. Inf., vol. 2, no. 4, pp. 89–95, 2021.
Abdussalam Amrullah, Intam Purnamasari, Betha Nurina Sari, Garno, and Apriade Voutama, “Analisis Cluster Faktor Penunjang Pendidikan Menggunakan Algoritma K-Means (Studi Kasus: Kabupaten Karawang),” J. Inform. dan Rekayasa Elektron., vol. 5, no. 2, pp. 244–252, 2022, doi: 10.36595/jire.v5i2.701
DQLab, “Pentingnya Implementasi Data Sekunder dalam Sebuah Penelitian,” 2022. https://dqlab.id/pentingnya-implementasi-data- sekunder-dalam-sebuah-penelitian#:~:text=pembahasannya dibawah ini!-,1.,teknik pengumpulan data tertentu lainnya. (accessed Apr. 30, 2023).
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Farhan Muzakki, Iqbal Ubaydillah, Nur Rahma Assyiami, Sugiyarti Soleha (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
