KLASIFIKASI DAMPAK DAN KONDISI PASIEN HEPATITIS MENGGUNAKAN METODE DECISION TREE
DOI:
https://doi.org/10.70248/jdaics.v3i2.2852Keywords:
Hepatitis, Decision Tree, C4.5, Data Mining, RapidMiner, Klasifikasi Medis.Abstract
Hepatitis merupakan penyakit peradangan hati yang dapat berakibat fatal apabila tidak terdeteksi dan ditangani sejak dini. Salah satu jenis yang berbahaya adalah hepatitis C, yang kerap tidak menunjukan gejala jelas di awal infeksi. Penelitian ini bertujuan membangun model klasifikasi untuk memprediksi kondisi pasien hepatitis menggunakan algoritma Decision Tree tipe C4.5. Data yang digunakan merupakan data klinis pasien hepatotos sebanyak 155 entri dari platform Kaggle, dengan atribus seperti usia, jenis kelamin, penggunaan obat, serta gejala klinis. Proses penelitian mencakup preprocessing data, pelatihan model, evaluasi performa menggunakan akurasi, precision, recall, dan visualisasi pohon Keputusan dengan bantuan perangkat lunak Rapidminer. Hasil pengujian menunjukan bahwa model memberikan akurasi terbaik sebesar 80,65% pada proposi pembagian data 80:20, dengan precision sebesar 91,30% untuk kelas “Live” dan recall sebesar 66,67% untuk kelas “Die”. Visualisasi pohon Keputusan menghasilkan model yang dapat diinterprestasikan dengan mudah, menjadikan metode ini potensial sebagai system pendukung Keputusan dalam klasifikasi risiko pasien hepatitis. Penelitian ini diharapkan dapat membantu tenaga medis maupun Masyarakat dalam memahami kondisi Kesehatan secara lebih informatif dan objektif.
References
Alter, M. J. (2007). Epidemiology of hepatitis C virus infection. World Journal of Gastroenterology, 13(17), 2436–2441. https://doi.org/10.3748/wjg.v13.i17.2436
Dienstag, J. L. (2008). Hepatitis B virus infection. New England Journal of Medicine, 359(14), 1486–1500. https://doi.org/10.1056/NEJMra0801644
Esteva, A., Robicquet, A., Ramsundar, B., et al. (2019). A guide to deep learning in healthcare. Nature Medicine, 25(1), 24–29. https://doi.org/10.1038/s41591-018-0316-z
Hajarizadeh, B., Grebely, J., & Dore, G. J. (2013). Epidemiology and natural history of hepatitis C virus infection. Nature Reviews Gastroenterology & Hepatology, 10(9), 553–562. https://doi.org/10.1038/nrgastro.2013.107
Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann. https://doi.org/10.1016/C2009-0-61819-5
Kementerian Kesehatan Republik Indonesia. (2023). Profil Kesehatan Indonesia 2023. Kementerian Kesehatan RI. https://www.kemkes.go.id
Kotsiantis, S. B. (2007). Supervised machine learning: A review of classification techniques. Informatica, 31(3), 249–268. https://www.informatica.si/index.php/informatica/article/view/148
Lavanchy, D. (2004). Global burden of hepatitis C. Journal of Viral Hepatitis, 11(2), 97–107. https://doi.org/10.1046/j.1365-2893.2003.00457.x
Polaris Observatory Collaborators. (2018). Global prevalence, treatment, and prevention of hepatitis B virus infection. The Lancet Gastroenterology & Hepatology, 3(6), 383–403. https://doi.org/10.1016/S2468-1253(18)30056-6
Quinlan, J. R. (1993). C4.5: Programs for machine learning. Morgan Kaufmann Publishers. https://doi.org/10.1016/C2009-0-29260-4
Shepard, C. W., Finelli, L., & Alter, M. J. (2006). Global epidemiology of hepatitis C virus infection. The Lancet Infectious Diseases, 6(9), 558–567. https://doi.org/10.1016/S1473-3099(06)70581-5
Sukartini, T., Arifin, H., & Kusumaningrum, T. (2020). Analisis penyakit menular di Indonesia. Jurnal Keperawatan Indonesia, 23(2), 85–92. https://doi.org/10.7454/jki.v23i2.1100
Topol, E. (2019). Deep medicine: How artificial intelligence can make healthcare human again. Basic Books. https://www.basicbooks.com
World Health Organization. (2023). Global hepatitis report 2023. WHO Press. https://www.who.int
World Health Organization. (2024). Hepatitis fact sheets and global updates. WHO Press. https://www.who.int
