PENDETEKSIAN POTENSI FAKTOR RISIKO TINGGI KESEHATAN JEMAAH HAJI MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING

• ARIF BUDIARTO
• 14002437

---

ABSTRAK

 

ABSTRAK Nama : Arif Budiarto NIM : 14002437 Program Studi : Ilmu Komputer Fakultas : Teknologi Informasi Jenjang : Strata 2 (S2) Konsentrasi : Data Mining Judul : Pendeteksian Potensi Faktor Risiko Tinggi Kesehatan Jemaah Haji Menggunakan Algoritma Klasifikasi Data Mining Menurut Peraturan Menteri Kesehatan nomor 15 tahun 2016, Ibadah haji adalah ibadah fisik, oleh karena itu Jemaah Haji dituntut mampu secara fisik dan rohani, sehingga dapat melaksanakan ibadah haji dengan baik dan lancar. Berkaitan dengan kondisi tersebut ilmu data mining diperlukan untuk mengklasifikasi pendeteksian potensi faktor risiko Kesehatan Jemaah Haji. Model klasifikasi yang digunakan adalah dengan menggunakan metode algoritma Decision Tree untuk memperoleh akurasi yang tepat.
Dataset yang digunakan adalah dataset pemeriksaan kesehatan jemaah haji. Berdasarkan perhitungan Confusion Matrix yaitu accuracy, precision, recall dan AUC. Hasil penelitian membuktikan bahwa algoritma Decision Tree mampu memberikan klasifikasi yang baik dalam upaya pengendalian faktor risiko tinggi bagi Kesehatan Jemaah Haji. Kata kunci: Decision Tree, Datamining, Confusion Matrix, Istithaah Kesehatan Haji
 

KATA KUNCI

Algoritma Klasifikasi,Data Mining

---

DAFTAR PUSTAKA

 

REFERENSI [1] 2016 Kementerian Kesehatan, “Peraturan Menteri Kesehatan Republik Indonesia Nomor 15 Tahun 2016 Tentang Istithaah Kesehatan Haji,” no. May, pp. 31–48, 2016. [2] Kementerian Kesehatan RI, “Peraturan Menteri Kesehatan Republik Indonesia Nomor 62 Tahun 2016 Tentang Penyelenggaraan Kesehatan Haji,” 2016. [3] K. F. Irnanda and A. P. Windarto, “Penerapan Klasifikasi C4.5 Dalam Meningkatkan Kecakapan Berbahasa Inggris dalam Masyarakat,” Semin.
Nas. Teknol. Komput. Sains, pp. 304–308, 2020. [4] S. P. I. P. D, “Effective Use of the Kdd Process and Data Mining for,” no. January 2001, 2002. [5] Ainurrohmah, “Akurasi Algoritma Klasifikasi pada Software Rapidminer dan Weka,” Prisma, vol. 4, pp. 493–499, 2021, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/. [6] A. P. Permana, K. Ainiyah, and K. F. H. Holle, “Analisis Perbandingan Algoritma Decision Tree, kNN, dan Naive Bayes untuk Prediksi Kesuksesan Start-up,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 6, no. 3, pp. 178–188, 2021, doi: 10.14421/jiska.2021.6.3.1 78-188. [7] R. Ahuja, S. C. Sharma, and M. Ali, “A diabetic disease prediction model based on classification algorithms,” Ann. Emerg. Technol. Comput., vol. 3, no. 3, pp. 44–52, 2019, doi: 10.33166/AETiC.2019.03.005. [8] J. R. Lambert, P. Arulanthu, and E. Perumal, “Identification of Nominal Attributes for Intelligent Classification of Chronic Kidney Disease using Optimization Algorithm,” Proc. 2020 IEEE Int. Conf. Commun. Signal
Process. ICCSP 2020, pp. 119–125, 2020, doi: 10.1109/ICCSP48568.2020.9182206. [9] K. M. Almustafa, “Prediction of chronic kidney disease using different classification algorithms,” Informatics Med. Unlocked, vol. 24, p. 100631, 2021, doi: 10.1016/j.imu.2021.100631. [10] L. Antony et al., “A Comprehensive Unsupervised Framework for Chronic Kidney Disease Prediction,” IEEE Access, vol. 9, pp. 126481 –126501, 2021, doi: 10.1109/ACCESS.2021.3109168. [11] Z. Saringat, A. Mustapha, R. D. R. Saedudin, and N. A. Samsudin, “Comparative analysis of classification algorithms for chronic kidney disease diagnosis,” Bull. Electr. Eng. Informatics, vol. 8, no. 4, pp. 1496– 1501, 2019, doi: 10.11591/eei.v8i4.1621. [12] M. F. Faruque, Asaduzzaman, and I. H. Sarker, “Performance Analysis of Machine Learning Techniques to Predict Diabetes Mellitus,” 2nd Int. Conf.
Electr. Comput. Commun. Eng. ECCE 2019, pp. 1 –4, 2019, doi: 10.1109/ECACE.2019.8679365. [13] H. Sain and S. W. Purnami, “Combine Sampling Support Vector Machine
Progam Studi Ilmu Komputer (S2) Nusa Mandiri for Imbalanced Data Classification,” Procedia Comput. Sci., vol. 72, pp. 59– 66, 2015, doi: 10.1016/j.procs.2015.12.105. [14] R. Markovic et al., “Comparison of Different Classification Algorithms for the Detection of User’s Interaction with Windows in Office Buildings,”
Energy Procedia, vol. 122, pp. 337–342, 2017, doi: 10.1016/j.egypro.2017.07.333. [15] S. Y. Yashfi et al., “Risk Prediction of Chronic Kidney Disease Using Machine Learning Algorithms,” 2020 11th Int. Conf. Comput. Commun.
Netw. Technol. ICCCNT 2020, 2020, doi: 10.1109/ICCCNT49239.2020.9225548. [16] N. Aini and M. S. Mustafa, “Data Mining Approach to Predict Air Pollution in Makassar,” 2020 2nd Int. Conf. Cybern. Intell. Syst. ICORIS 2020, no. 1, 2020, doi: 10.1109/ICORIS50180.2020.9320800. [17] H. Di, P. Lansia, and D. Balegondo, “Implementasi Decision Tree C4.5 Pada Klasifikasi Penyakit Hipertensi Di Posyandu Lansia Desa Balegondo.” [18] Y. Widiastiwi and I. Ernawati, “Klasifikasi Penyakit Batu Ginjal Menggunakan Algoritma Decision Tree C4 . 5 Dengan Membandingkan Hasil Uji Akurasi,” J. IKRA-ITH Inform., vol. 5, no. 2, pp. 128–135, 2021. [19] A. A. Abdillah, A. Azwardi, and I. Wahyudi, “Optimasi Linear Sampling dan Information Gain pada Algoritma Decision Tree untuk Diagnosis Penyakit Diabetes,” Multinetics, vol. 7, no. 1, pp. 21–29, 2021. [20] D. N. Bari Anandanu Wibowo, Clarissa Nabila, “Implementasi Algoritma C4.5 untuk Klasifikasi Tingkat Kenaikan Kasus Covid-19,” vol. 06, no. April, pp. 1 –12, 2021. [21] P. Kementerian Kesehatan RI, Health Statistics (Health Information System). 2020. [22] Fung, P. L., Zaidan, M. A., Timonen, H., Niemi, J. V, Kulmala, M., & Hussein, T. (2020). Evaluation of white-box versus black-box machine
learning models in estimating ambient black carbon concentration.
September. https://doi.org/10.1016/j.jaerosci.2020.105694 [23] Gadzinski, G. (2022). Combining white box models , black box machines
and human interventions for interpretable decision strategies. 17(3), 598– 627. [24] Delibaši, B., Vuki, M., Jovanovi, M., & Suknovi, M. (2012). White-Box or
Black-Box Decision Tree Algorithms?: Which to Use in Education?? 1–5. [25] Velez, M., Siegmund, N., Apel, S., & Kästner, C. (2021). White-Box Analysis
over Machine Learning?: 1072–1084.
https://doi.org/10.1109/ICSE43902.2021.00100 [26] Azhari, M., Situmorang, Z., & Rosnelly, R. (2021). Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes. Jurnal Media Informatika Budidarma, 5(2), 640.
https://doi.org/10.30865/mib.v5i2.2937 [27] Devella, S., Yohannes, Y., & Rahmawati, F. N. (2020). Implementasi Random Forest Untuk Klasifikasi Motif Songket Palembang Berdasarkan SIFT. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 7(2), 310– 320. https://doi.org/10.35957/jatisi.v7i2.289