Penggunaan Metode Classification And Regression Tree (CART) Dalam Mengklasifikasikan Faktor Yang Mempengaruhi Penyakit Diabetes

Fariskha Aninda Nurdifa

doi:10.26555/jim.v10i2.30878

Authors

Fariskha Aninda Nurdifa

DOI:

https://doi.org/10.26555/jim.v10i2.30878

Keywords:

Diabetes,, Klasifikasi ,, Decision Tree Classification and Regression Tree, , Python,

Abstract

Diabetes adalah penyakit kronis yang ditandai oleh tingginya kadar gula (glukosa) dalam darah. Kondisi ini terjadi ketika tubuh tidak mampu memproduksi atau menggunakan insulin dengan baik. Ada banyak faktor yang bisa mempengaruhi seseorang terkena penyakit diabetes, karenanya diperlukan klasifikasi faktor apa saja yang paling sering menyebabkan penyakit diabetes. Dalam skripsi ini penulis melakukan klasifikasi menggunakan metode Classification and Regression Tree (CART). Data yang digunakan dalam penelitian ini yaitu data penderita diabetes yang bersumber dari kaggle. Hasil penelitian menunjukkan bahwa diperoleh tingkat keakurasian algoritma Decision Tree Classification and Regression Tree (CART) dengan menggunakan confusion matrix menunjukkan bahwa tingkat sensitivity atau ketepatan prediksi pada kelas diabetes sebesar 100%, sedangkan tingkat specificity atau tingkat ketepatan prediksi pada kelas tidak diabetes sebesar 94.4%. Kemudian tingkat akurasi yang diperoleh mencapai 96.6%. Berdasarkan ketiga hasil tersebut, maka metode CART dapat digunakan untuk mengklasifikasikan penyakit diabetes secara optimal dengan hasil yang cukup baik.

References

I. Hamidah, “Aplikasi Data Mining untuk Memprediksi Masa Studi Mahasiswa Menggunakan

Algoritma C4.5 (Studi Kasus: Jurusan Teknik Komputer-UNIKOM).,” 2013.

I. Budiman and R. Ramadina, “Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa

Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi,” Ijccs, vol. x,

No.x, no. 1, pp. 1–5, 2015.

R. Pratiwi, M. N. Hayati, and S. Prangga, “Perbandingan Klasifikasi Algoritma C5.0 Dengan

Classification and Regression Tree (Studi Kasus : Data Sosial Kepala Keluarga Masyarakat Desa

Teluk Baru Kecamatan Muara Ancalong Tahun 2019),” BAREKENG J. Ilmu Mat. dan Terap., vol.

14, no. 2, pp. 273–284, 2020, doi: 10.30598/barekengvol14iss2pp273-284.

T. Rosandy, “Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree (C4. 5)

Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus: KSPPS/BMT Al-Fadhila,” J. Teknol. Inf.

Magister, vol. 2, no. 01, pp. 52–62, 2016.

E. Fauziningrum, M.Pd and E. I. Sulistyaningsih, “Penerapan Data Mining Metode Decision Tree

Untuk Mengukur Penguasaan Bahasa Inggris Maritim (Studi Kasus Di Universitas Maritim

Amni),” J. Sains Dan Teknol. Marit., vol. 22, no. 1, p. 41, 2021, doi: 10.33556/jstm.v22i1.285.

Subkhi Mahmasani, “View metadata, citation and similar papers at core.ac.uk,” no. September,

pp. 274–282, 2020.

Abet Alpha P and Yetli Oslan, “78350-ID-program-bantu-pemilihan-pakaian-dan-baha (3)”.

H. Bai, “Preparing Teacher Education Students to Integrate Mobile Learning into Elementary

Education,” TechTrends, vol. 63, no. 6, pp. 723–733, Nov. 2019, doi: 10.1007/s11528-019-00424z.

F.Giannakas,A.Papasalouros, G.Kambourakis, and S. Gritzalis, "A comprehensive cybersecurity learning platform for elementary education,” Inf. Secur. J. A Glob. Perspect., vol. 28, no. 3, pp. 81–

106, May 2019, doi: 10.1080/19393555.2019.1657527.

R. M. Vink et al., “Self-reported adverse childhood experiences and quality of life among children

in the two last grades of Dutch elementary education,” Child Abuse Negl., vol. 95, p. 104051, Sep.

2019, doi: 10.1016/j.chiabu.2019.104051.