Implementasi Decision Tree Dalam Prediksi Penyakit Stroke Menggunakan Rapidminer
DOI:
https://doi.org/10.35473/jamastika.v5i1.4646Abstract
Di Indonesia, stroke merupakan faktor kritis yang berkontribusi terhadap mortalitas dan kecacatan di seluruh negeri. Prediksi dini terhadap risiko stroke menjadi penting untuk menekan angka kejadian dan meningkatkan kualitas hidup masyarakat. Penelitiaan ini bertujuan untuk mengimplementasikan algoritma decision tree dalam memprediksi penyakit stroke menggunakan aplikasi RapidMiner. Data yang digunakan berasal dari Kaggle yang mencakup atribut-atribut seperti usia, tekanan darah, status merokok, riwayat penyakit jantung, dan lainnya. Metode Decision Tree dipilih karena kemampuannya mengidentifikasi pola dari data dan menghasilkan model klasifikasi dalam bentuk struktur pohon yang mudah dipahami. Hasil pemodelan menunjukkan bahwa metode ini mampu memberikan prediksi risiko stroke yang cukup akurat dan dapat di manfaatkan sebagai alat bantu dalam deteksi dini oleh instansi kesehatan. Model akhir berupa pohon regresi memungkinkan prediksi nilai risiko stroke dalam bentuk numerik.
Kata Kunci: Decision Tree, Stroke, RapidMiner, Data Mining, Prediksi Penyakit.
Being a primary contributor to death and impairment of function in Indonesia, stroke necessitates early risk prediction to mitigate its incidence and enhance public health outcomes. This research implements a decision tree algorithm via RapidMiner to predict stroke risk, utilizing a Kaggle-sourced dataset containing attributes such as age, blood pressure, and medical history. Selected for its ability to discern data patterns and generate an interpretable model, the decision tree yielded a highly accurate predictive model. The resulting regression tree facilitates numerical stroke risk prediction, presenting a viable tool for early detection in healthcare contexts.
Keywords: Decison Tree, Stroke, RapidMiner, Data Mining, Desease Prediction.
References
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. Elsevier.
World Health Organization. (2023). Global Report on Stroke and Cardiovascular Diseases. WHO Press.
Kementerian Kesehatan Republik Indonesia. (2022). Laporan Nasional Riset Kesehatan Dasar (Riskesdas).
Rahmadani, N., & Yusuf, H. (2020). “Analisis Faktor Risiko Terjadinya Stroke pada Pasien Rawat Inap,” Jurnal Kesehatan Masyarakat Indonesia, 15(2), 78–85.
Setiawan, R., Nuraini, D., & Prabowo, A. (2021). “Epidemiologi Stroke di Indonesia: Tren dan Determinan Sosiodemografi,” Jurnal Epidemiologi dan Kesehatan Komunitas, 6(3), 145–156.
Putra, A. R., & Fitriani, L. (2022). “Penerapan Algoritma Decision Tree untuk Klasifikasi Penyakit Stroke,” Jurnal Teknologi dan Sistem Informasi, 8(1), 33–41.
Fadilah, S., Nugraha, D., & Wibowo, M. (2023). “Implementasi Data Mining untuk Prediksi Penyakit Tidak Menular Menggunakan C4.5,” Indonesian Journal of Computer Science, 12(2), 99–108.
Collins, J., Safitri, R., & Fatah, M. (2021). “Optimization of RapidMiner for Health Data Analysis,” Procedia Computer Science, 183, 220–227.
Cecep Maulana Sidiq dkk. (2024). “Algoritma Decision Tree C4.5 Digunakan untuk Mengklasifikasikan Data Stroke,” JATI: Jurnal Mahasiswa Teknik Informatika, April 2024.
Erfan Karyadiputra dkk. (2025). “Aplikasi Prediksi Risiko Penyakit Stroke,” Technologia: Jurnal Ilmiah, April 2025.
Nurhayati, S., & Maulana, D. (2021). “Faktor Risiko Utama Penyakit Stroke pada Usia Produktif,” Jurnal Keperawatan dan Kesehatan, 12(1), 45–52.
Widodo, B., & Lestari, A. (2020). “Analisis Prediksi Penyakit Tidak Menular Menggunakan Metode Data Mining,” Jurnal Sistem Informasi, 16(3), 220–230.
Sari, P. D., & Syahputra, H. (2022). “Perbandingan Algoritma C4.5 dan Naive Bayes untuk Prediksi Stroke,” Journal of Information Technology, 9(2), 101–110.
