KLASIFIKASI RISIKO KEMATIAN PASIEN BERDASARKAN PENYAKIT PENYERTA DAN USIA PASIEN MENGGUNAKAN METODE C4.5
DOI:
https://doi.org/10.36595/jire.v6i1.699Keywords:
Klasifikasi, C4.5, Decision TreeAbstract
Tingginya angka kematian pada orang yang menderita penyakit tertentu, maka kami melakukan penelitian ini. Untuk mengetahui pasien dengan risiko kematian tinggi atau rendah. Maka dilakukannya klasifikasi risiko kematian pasien berdasarkan usia dan penyakit penyerta pasien dengan menggunakan decision tree algoritma c4.5. Algoritma C4.5 digunakan untuk menemukan pola menentukan data tersebut masuk kedalam kelas mana dengan menggunakan data latih dan data uji digunakan untuk evaluasi. Hasil pengujian akurasi menggunakan Confusion Matrix dengan pembagian data, data latih 70% data data uji 30% mengghasilkan 72% sementara dengan pembagian data, data latih 80% data data uji 20% menghasilkan akurasi sebesar 70%. Dengan menggunakan model pembagian data, data latih 70% data data uji 30% lebih unggul dibanding data latih 80% data data uji 20%. Semantara akurasi yang dihasilkan dengan metode pemotongan pohon atau pruning dapat menurunkan akurasi dengan hasil akurasi sebesar 66%. Dan berdasarkan pohon keputusan yang dihasilkan tanpa pruning menghasilkan kedalaman pohon sebanyak 11 level.
References
E. Chigom, Noncommunicable diseases progress monitor 2020, no. Oct. World Health Organization, 2020.
C. World Health Organization., NONCOMMUNICABLE DISEASES COUNTRY PROFILES 2018. World Health Organization, 2018.
K. M. Sturgeon et al., “A population-based study of cardiovascular disease mortality risk in US cancer patients,” Eur. Heart J., vol. 40, no. 48, pp. 3889–3897, 2019, doi: 10.1093/eurheartj/ehz766.
M. H. Hsieh, M. J. Hsieh, C. Chen, and C. Hsieh, “Comparison of machine learning models for the prediction of mortality of patients with unplanned extubation in intensive care units,” Sci. Rep., no. July, pp. 1–7, 2018, doi: 10.1038/s41598-018-35582-2.
S. Supangat, A. R. Amna, and T. Rahmawati, “Implementasi Decision Tree C4.5 Untuk Menentukan Status Berat Badan dan Kebutuhan Energi Pada Anak Usia 7-12 Tahun,” Teknika, vol. 7, no. 2, pp. 73–78, 2018, doi: 10.34148/teknika.v7i2.90.
S. H. David Hartanto Kamagi, “Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa,” vol. Vol. VI, p. 1, 2014.
Indarto, U. Ema, and R. Suwanto, “PREDIKSI RISIKO KEMATIAN PASIEN STROKE PERDARAHAN DENGAN MENGGUNAKAN TEKNIK KLASIFIKASI DATA MINING Indarto1,” vol. 5, no. 2, 2020.
D. Andri and M. Reza, “Penerapan Algoritma K-Nearest Neighbord Untuk Prediksi Kematian Akibat Penyakit Gagal Jantung,” vol. III, no. 2020, pp. 105–112, 2022.
S. Agarwal, Data mining: Data mining concepts and techniques. 2014.
I. Junaedi, N. Nuswantari, and V. Yasin, “Perancangan Dan Implementasi Algoritma C4 . 5 Untuk Data Mining,” J. Inf. Syst. Informatics Comput., vol. 3, no. 1, pp. 29–44, 2019, [Online]. Available: http://journal.stmikjayakarta.ac.id/index.php/jisicom/article/view/203%0Ahttp://journal.stmikjayakarta.ac.id/index.php/jisicom/article/download/203/158.
P. Algoritma and C. Berbasis, “Penerapan algoritma c4.5 berbasis,” vol. 13, pp. 13–19, 2017.
R. Siringoringo, “Klasifikasi Data Tidak Seimbang Menggunakan Algoritma SMOTE dan k-Nearest Neighbor,” J. ISD, vol. 3, no. 1, pp. 44–49, 2018.
M. Balamurugan and S. Kannan, “Performance analysis of cart and C5.0 using sampling techniques,” 2016 IEEE Int. Conf. Adv. Comput. Appl. ICACA 2016, pp. 72–75, 2017, doi: 10.1109/ICACA.2016.7887926.
E. P. K. Orpa, E. F. Ripanti, and T. Tursina, “Model Prediksi Awal Masa Studi Mahasiswa Menggunakan Algoritma Decision Tree C4.5,” J. Sist. dan Teknol. Inf., vol. 7, no. 4, p. 272, 2019, doi: 10.26418/justin.v7i4.33163.
D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021.
Downloads
Published
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
