PENERAPAN ALGORITMA C4.5 UNTUK MEMBUAT MODEL PREDIKSI PASIEN YANG MENGIDAP PENYAKIT DIABETES

Nanto Sunanto; Ghazi Falah

doi:10.36341/rabit.v7i2.2435

Nanto Sunanto universitas muhammadiyah riau (UMRI)
Ghazi Falah Universitas Muhammadiyah Riau

: https://doi.org/10.36341/rabit.v7i2.2435

Abstrak

Diabetes adalah penyakit dimana pankreas tidak bisa memproduksi insulin dengan baik. Insulin merupakan hormon yang di hasilkan dari pankreas, yang berguna sebagai pintu untuk menyalurkan glukosa dari makan yang diserap untuk di alirkan ke dalam sel-sel darah agar tubuh dapat menghasilkan energi. Sedangkan menurut WHO diabetes adalah penyakit yang sangat mematikan yang menduduki peringkat 9 dunia. Penderita penyakit diabetes pada umumnya meningal dunia dengan kondisi rusak nya beberapa organ vital seperti, jantung, ginjal dan hati. Para penderita awal penyakit diabetes tidak diketahui secara pasti sehingga penderita penyakit diabetes yang telah dirawat dalam kondisi yang memperhatinkan. Untuk menekan jumlah kematian akibat penyakit diabetes dibutuhkan suatu sistem yang dapat mengindentifikasi gejala dini penyakit diabetes, agar penderita penyakit diabetes dapat ditangani langsung dengan baik. Teknologi data mining dapat membatu membangun suatu sistem untuk menprediksi penyakit diabetes menggunakan algoritma decision tree C4.5. pada penelitian ini data prediksi penyakit diabetes diambil dari UCI Repository. Kemudian data diolah dengan tahapan, select data, pre-processing dan split validation menggunakan rapid miner. Hasil pengolahan data menggunakan rapid miner, berupa rules yang dapat digunakan untuk memprediksi penyakit diabetes. Rules yang dihasilkan dari pohon keputusan RapidMiner memiliki akurasi 95, 51%

Kata Kunci: penderita, diabetes, insulin, data mining, RapidMiner

Referensi

S. Pangribowo, “Infodatin-2020-Diabetes-Melitus.pdf.” 2020.

M. B. Hanif and Khoirudin, “Sistem Aplikasi Prediksi Penyakit diabetes Menggunakan Fiture Selection Korelasi Pearson dan Klasifikasi Naïve Bayes,” Pengemb. Rekayasa dan Teknol., vol. 16, no. 2, pp. 199–205, 2020.

A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 4, no. 1, pp. 15–21, 2020, doi: 10.47970/siskom-kb.v4i1.169.

Putri, E. Ucha, Sanni Irawan, and F. Rizky, “Implementasi Data Mining Untuk Prediksi Penyakit Diabetes,” KESATRIA( J. penerapan Sist. Inf. dan Manaj., vol. 2, no. 1, pp. 39–46, 2021.

Y. A. Fiandra, S. Defit, and Y. Yuhandri, “Penerapan Algoritma C4.5 untuk Klasifikasi Data Rekam Medis berdasarkan International Classification Diseases (ICD-10),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 1, no. 2, pp. 82–89, 2017, doi: 10.29207/resti.v1i2.48.

I. Lishania, R. Goejantoro, and Y. N. Nasution, “Perbandingan Klasifikasi Metode Naive Bayes dan Metode Decision TreeAlgoritma (J48) pada Pasien Penderita Penyakit Stroke di RSUD Abdul Wahab Sjahranie Samarinda,” J. Eksponensial, vol. 10, no. 2, pp. 135–142, 2019.

A. Mujahidin and D. Pribadi, “Penerapan algoritma C4 . 5 untuk diagnosa penyakit pneumonia pada anak balita berbasis mobile,” J. Swabumi, vol. 5, no. 2, pp. 155–161, 2017, [Online]. Available: https://ejournal.bsi.ac.id/ejurnal/index.php/swabumi/article/view/2523.

E. P. K. Orpa, E. F. Ripanti, and T. Tursina, “Model Prediksi Awal Masa Studi Mahasiswa Menggunakan Algoritma Decision TreeC4.5,” J. Sist. dan Teknol. Inf., vol. 7, no. 4, p. 272, 2019, doi: 10.26418/justin.v7i4.33163.

S. A. Alasadi and W. S. Bhaya, “Review of data preprocessing techniques in data mining,” J. Eng. Appl. Sci., vol. 12, no. 16, pp. 4102–4107, 2017, doi: 10.3923/jeasci.2017.4102.4107.

J. P. Fortin, T. J. Triche, and K. D. Hansen, “Preprocessing, normalization and integration of the Illumina HumanMethylationEPIC array with minfi,” Bioinformatics, vol. 33, no. 4, pp. 558–560, 2017, doi: 10.1093/bioinformatics/btw691.

A. Massaro, V. Maritati, and A. Galiano, “Data Mining Model Performance of Sales Predictive Algorithms Based on Rapidminer Workflows,” Int. J. Comput. Sci. Inf. Technol., vol. 10, no. 3, pp. 39–56, 2018, doi: 10.5121/ijcsit.2018.10303.

G. Mahajan, B. Saini, and T. Almas, “Taxonomy on RapidMiner Using Machine Learning,” SSRN Electron. J., pp. 2410–2415, 2019, doi: 10.2139/ssrn.3363071.

S. R. Phandinata, E. T. Atmodiwirjo, and D. Basaria, “Developmental Individual-Differences Relationship-Based (Dir) Floortime Dalam Meningkatkan Komunikasi Dua Arah Pada Kasus Autism Spectrum Disorder (Asd),” Psibernetika, vol. 10, no. 2, pp. 103–113, 2017, doi: 10.30813/psibernetika.v10i2.1046.

U. Celik and C. Basarir, “The Prediction of Precious Metal Prices via Artificial Neural Network by Using RapidMiner,” Alphanumeric J., vol. 5, no. 1, pp. 45–45, 2017, doi: 10.17093/alphanumeric.290381.

A. Purwanto, M. Asbari, and T. I. Santoso, “Analisis Data Penelitian Marketing: Perbandingan Hasil antara Amos, SmartPLS, WarpPLS, dan SPSS untuk Jumlah Sampel Besar,” J. Ind. Eng. Manag. Res., vol. 2, no. 4, pp. 216–227, 2021, [Online]. Available: https://www.jiemar.org/index.php/jiemar/article/view/178/138.