KLASIFIKASI TINGKAT KERUSAKAN HATI PADA PENDERITA HEPATITIS C MENGGUNAKAN ALGORITMA DATA MINING C4.5

• HERDIAN AGUS WISTIANTO

---

ABSTRAK

ABSTRAK

Herdian Agus Wistianto (11211382). Klasifikasi Tingkat Kerusakan Hati Pada Penderita Hepatitis C Menggunakan Algoritma Data Mining C4.5.

Virus hepatitis C (HVC) adalah penyebab utama penyakit hati kronis, sirosis, dan karsinoma hepatoseluler, serta indikasi paling umum untuk transplantasi hati di banyak negara. Dilaporkan lebih dari 170 juta orang telah terkena dampak serius di seluruh dunia. Hal ini menyebabkan HVC menjadi slah satu jenis penyakit hepatitis yang memerlukan perhatian khusus untuk ditangani. Data mining yang merupakan cabang dari ilmu computer saat ini sudah banyak dimanfaatkan salah satunya dalam klasifikasi atau prediksi pasien terhadap suatu penyakit yang dideritanya. Hasil tes dan diagnosa pasien dapat digunakan sebagai untuk dilakukan penggalian data atau data mining, dengan menggunakan salah satu metodenya yaitu klasifikasi. Pada penelitian ini menggunakan metode klasifikasi untuk data penyakit pasien hepatitis C dalam menentukan tingkatan penyakitnya, karena klasifikasi adalah proses penemuan model yang menggambarkan dan membedakan kelas data yang bertujuan untuk memprediksi kelas. Data yang digunakan adalah dataset pasien penderita penyakit HVC atau Hepatitis C sebanyak 615 record dengan klasifikasi donor, hepatitis, fibrosis, dan cirrhosis. Tujuan dari penelitian ini adalah mendapatkan hasil berupa aturan atau rule yang dapat dijadikan referensi untuk pengambilan keputusan pada klasifikasi tingkat penyakit Hepatitis C. Hasil dari penelelitian ini adalah pohon keputusan dengan 16 rules yang dihasilkan dan tingkat akurasi metode Algoritma C4.5 sebesar 93,48%.

Kata Kunci: data mining, algoritma C4.5, decision tree, metode klasifikasi

KATA KUNCI

Data Mining C.45

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] R. A. Zuama, “Pembelajaran Mesin Untuk Diagnosis Tingkat Kerusakan Hati Akibat Hepatitis C,” J. Speed – Sentra Penelit. Eng. dan Edukasi, vol. 13, no. 3, pp. 24–28, 2021.

[2] F. Ilahi and N. Fadilaturrohmah, “MODEL SEIR UNTUK PENYEBARAN PENYAKIT HEPATITIS C DENGAN PENGOBATAN PADA POPULASI TERINFEKSI KRONIS,” J. Ris. dan Apl. Mat., vol. 5, no. 1, p. 19, 2021.

[3] M. Syukron, R. Santoso, and T. Widiarih, “PERBANDINGAN METODE SMOTE RANDOM FOREST DAN SMOTE XGBOOST UNTUK KLASIFIKASI TINGKAT PENYAKIT HEPATITIS C PADA IMBALANCE CLASS DATA,” J. Gaussian, vol. 9, pp. 227–236, 2020.

[4] A. Rohman and M. Rochcham, “Komparasi Metode Klasifikasi Data Mining Untuk Prediksi Kelulusan Mahasiswa,” Neo Tek., vol. 5, no. 1, pp. 23–29, 2019.

[5] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, Third Edit. San Francisco: The Morgan Kaufmann, 2012.

[6] B. Santosa, Data Mining Teknik Pemanfaat Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007.

[7] D. T. Larose, Discovering Knowledge in Database. New Jersey: John Willey & Sons Inc., 2005. [8] F. Gorunescu, Data Mining: Concepts and Techniques. Verlag Berlin Heidelberg: Springer, 2011.

[9] I. H. Witten, E. Frank, and M. a Hall, Data Mining: Practical Machine Learning Tools and Techniques (Google eBook), Second Edi. United States of America: Morgan Kaufmann, 2011.

[10] M. Bramer, Principles of Data Mining. London: Springer, 2007.

[11] D. Novianti, “Implementasi Algoritma Naïve Bayes Pada Data Set Hepatitis Menggunakan Rapid Miner,” vol. XXI, no. 1, 2019.

[12] E. W. Fridayanthie, “Analisa Data Mining Untuk Prediksi Penyakit Hepatitis Dengan Menggunakan Metode Naive Bayes dan Support Vector Machine,” J. Khatulistiwa Inform., vol. 3, no. 1, pp. 24–36, 2015.