Penerapan Algoritma Decision Tree untuk Klasifikasi Diagnosa Pasien
DOI:
https://doi.org/10.35473/jamastika.v5i1.4596Abstract
Penelitian ini memanfaatkan algoritma Decision Tree sebagai metode analisis tipe C4.5 untuk mengklasifikasikan kondisi kesehatan pasien berdasarkan data diagnosis dari Sri Clinics di Kota Batam. Data dianalisis menggunakan RapidMiner dengan atribut seperti suhu tubuh, tekanan darah, detak jantung, jenis kelamin, usia, dan gejala utama. Hasil penelitian menunjukkan bahwa suhu tubuh merupakan faktor paling dominan dalam klasifikasi, di mana pasien dengan suhu ≤ 37,05°C dikategorikan sehat, sedangkan suhu > 37,05°C menunjukkan penyakit ringan atau berat. Model Decision Tree menghasilkan akurasi 96,67%, membuktikan bahwa metode ini efektif dan akurat sebagai alat bantu keputusan medis untuk menunjang proses penentuan penyakit dengan efisiensi dan ketepatan tinggi
Kata Kunci: Decision Tree C4.5, Data Mining, Diagnosis Pasien, Klasifikasi
This study utilized the Decision Tree algorithm, a C4.5 type analysis method, to classify patient health conditions based on diagnostic data from Sri Clinics in Batam City. The data was analyzed using RapidMiner with attributes such as body temperature, blood pressure, heart rate, gender, age, and primary symptoms. The results showed that body temperature was the most dominant factor in the classification, with patients with a temperature below 37.05°C categorized as healthy, while temperatures above 37.05°C indicated mild or severe disease. The Decision Tree model achieved 96.67% accuracy, demonstrating its effectiveness and accuracy as a medical decision-making tool to support the process of determining disease with high efficiency and accuracy.
Keywords: Decision Tree C4.5, Data Mining, Patient Diagnosis, Classification
References
Anugerah, P. T., & Laut, S. (2020). SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN HASIL BUDIDAYA UDANG VANAME DENGAN METODE ALGORITMA C4 . 5. 14(1), 28–39.
Baharuddin, M. M., Hasanuddin, T., & Azis, H. (2019). ANALISIS PERFORMA METODE K-NEAREST NEIGHBOR UNTUK. 11(28), 269–274.
Cahyono, E. T. (n.d.). DATA MINING : SOLUSI PENGEMBANGAN PENGETAHUAN BERDASARKAN BASIS.
Jainudin, K., & Abdullah, A. (2025). Klasifikasi Penyakit Kanker Paru-Paru Menggunakan Metode. 8(3), 232–240.
Khotimah, N., & Istiawan, D. (2018). Perbandingan Algoritma C4 . 5 , Naïve Bayes dan K-Nearest Neighbour untuk Prediksi Lahan Kritis di Kabupaten Pemalang. 41–50.
Mienye, I. D., & Jere, N. (2024). A Survey of Decision Trees : Concepts , Algorithms , and Applications. IEEE Access, PP, 1. https://doi.org/10.1109/ACCESS.2024.3416838
Purnomo, H., Pambudi, R. E., & Irawan, R. (n.d.). Penerapan Decision Tree untuk Klasifikasi Penyakit Berdasarkan Data Rekam Medis. 7(1), 1–8.
Rehman, A., & Belhaouari, S. B. (2021). Unsupervised outlier detection in multidimensional data. Journal of Big Data. https://doi.org/10.1186/s40537-021-00469-z
Sari, I. P., Elvitaria, L., & Sari, I. P. (2025). Classification of mushroom types based on digital image processing using convolutional neural network. 13(4), 379–388.
Srirahayu, A., & Pribadie, L. S. (2023). Review Paper Data Mining Klasifikasi Data Mining. 14(April).
Wahidin, A. J., & Syukrilla, W. A. (n.d.). Data mining.
