Implementasi Prediksi Penyakit Ginjal Kronis dengan Menggunakan Metode Decision Tree
DOI:
https://doi.org/10.70609/jusifor.v3i2.5803Kata Kunci:
Ginjal Kronis, Decission Tree, RapidMiner, Prediksi Penyakit, Data MiningAbstrak
Penyakit ginjal kronis merupakan masalah kesehatan serius yang memerlukan deteksi dini untuk penanganan yang tepat. Penelitian ini bertujuan untuk mengembangkan model prediksi penyakit ginjal kronis menggunakan metode Decision Tree dengan bantuan aplikasi RapidMiner. Data yang digunakan berasal dari platform Kaggle dengan 22 parameter kesehatan seperti tekanan darah, kadar gula darah, dan hasil tes laboratorium lainnya. Proses penelitian meliputi empat tahap utama: pengumpulan data, preprocessing menggunakan RapidMiner, pembuatan model Decision Tree, dan evaluasi performa. Preprocessing data mencakup pembacaan data dengan Read Excel, pengaturan Set Role untuk klasifikasi, dan pembagian dataset menggunakan Split Data. Model Decision Tree diimplementasikan dengan parameter gain ratio, maximal depth 10, serta fitur pruning dan prepruning. Hasil penelitian menunjukkan tingkat akurasi yang sangat baik yaitu 98.12%, dengan nilai presisi 65.34% dan recall 65.88%. Dari confusion matrix terlihat bahwa model hanya melakukan 5 kesalahan prediksi dari total dataset, yang terdiri dari 2 False Positive dan 3 False Negative. Model ini diharapkan dapat membantu tenaga medis dalam melakukan screening awal dan diagnosis penyakit ginjal kronis secara lebih efektif dan efisien
Referensi
Warite Gire, Eman Sulaiman, and Nirwana, “Hubungan Pengetahuan dan Dukungan Keluarga Dengan Kepatuhan Pasien Gagal Ginjal Kronik Dalam Menjalani Terapi Hemodialisa di RSUD Bahteramas Provinsi Sulawesi Tenggara Tahun 2023,” J. Penelit. Sains dan Kesehat. Avicenna, vol. 2, no. 3, pp. 60–68, 2023, doi: 10.69677/avicenna.v2i3.62.
F. Mailani, Edukasi Pencegahan Penyakit Ginjal Kronik (Pgk) Pada Lansia. 2022.
M. F. R. Assauqi, “DECISION TREE BERDASARKAN GEJALA KLINIS DAN DATA LABORATORIUM,” vol. 2, no. 4, pp. 42–53, 2024.
S. K. . M. K. A. M. Siregar and S. K. . M. K. . A. Puspabhuana, DATA MINING: Pengolahan Data Menjadi Informasi dengan RapidMiner - Google Buku. 2021.
Bijak, Hani, and Susianti, Memahami Interpretasi Penyakit Ginjal Kronis. 2016.
I. A. Gellysa Urva, Desyanti, PENERAPAN DATA MINING DI BERBAGAI BIDANG : Konsep, Metode, dan Studi Kasus. 2023. [Online]. Available:
G. Gunawan, A. Rahmawati, S. Suhada, T. Hidayatulloh, and D. Wintana, “Optimasi Linear Sampling dan Information Gain pada Algoritma Decision Tree Untuk Diagnosis Penyakit Diabetes,” Multinetics, vol. 7, no. 2, pp. 124–131, 2022, doi: 10.32722/multinetics.v7i2.3796.
Ismai, Data Mining: Pengolahan Data Menjadi Informasi dengan RapidMiner. 2017.
A. Yogianto, A. Homaidi, and Z. Fatah, “Implementasi Metode K-Nearest Neighbors (KNN) untuk Klasifikasi Penyakit Jantung,” G-Tech J. Teknol. Terap., vol. 8, no. 3, pp. 1720–1728, 2024, doi: 10.33379/gtech.v8i3.4495.
A. Wasik et al., “Implementasi data mining untuk memprediksi penjualan accessoris handphone dan handphone terlaris menggunakan metode k-nearest neighbor (k-nn) 1,” vol. 1, no. 2, pp. 469–479, 2024.
A. Jalil, A. Homaidi, and Z. Fatah, “Implementasi Algoritma Support Vector Machine Untuk Klasifikasi Status Stunting Pada Balita,” G-Tech J. Teknol. Terap., vol. 8, no. 3, pp. 2070–2079, 2024, doi: 10.33379/gtech.v8i3.4811.
H. Alrasyid, A. Homaidi, M. Kom, Z. Fatah, and M. Kom, “Comparison Support Vector Machine and Random Forest Algorithms in Detect Diabetes,” vol. 1, no. 1, pp. 447–453, 2024.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Arifah Amaliyah Qori’ah, Zaehol Fatah
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
