Analisis Klasifikasi Kinerja Penanganan COVID-19 Provinsi di Indonesia dengan Decision Tree C4.5
DOI:
https://doi.org/10.35473/jamastika.v5i1.4647Abstract
Pandemi Penyakit Coronavirus 2019 (COVID-19) telah menciptakan tantangan yang sangat besar dan rintangan signifikan bagi seluruh sistem perawatan kesehatan di negara ini, yang membutuhkan penilaian efektivitas manajemen di berbagai bidang. Studi ini berupaya untuk memeriksa dan membuat kerangka klasifikasi untuk menilai seberapa baik provinsi-provinsi di Indonesia telah mengelola COVID-19, membagi kinerja ke dalam kategori seperti Baik, Rata-rata, dan Buruk, Dengan mengandalkan metode Data Mining dan algoritma C4.5. Data sekunder yang digunakan mencakup variabel yang terkait dengan infeksi yang dikonfirmasi, pemulihan, dan kematian, yang kemudian dikonversi menjadi metrik kinerja vital seperti Case Fatality Rate (CFR) dan Recovery Rate (RR). Untuk mengukur performa, Model C4.5 diuji menggunakan ꞣ-fold cross-validation. Hasilnya, model klasifikasi ini menunjukkan Akurasi yang signifikan sebesar 95.60%, angka yang menguatkan keandalan serta efektivitas model tersebut. Analisis pohon keputusan mengungkapkan bahwa CFR dan RR adalah atribut yang paling penting dan berfungsi sebagai faktor utama (simpul akar) dalam membedakan kinerja provinsi. Model ini memberikan pedoman klasifikasi eksplisit yang dapat digunakan sebagai dasar bagi pemerintah daerah dan organisasi kesehatan untuk memprioritaskan kebijakan pada elemen yang berdampak langsung pada angka kematian dan tingkat pemulihan, yang pada akhirnya meningkatkan efisiensi penanganan COVID-19.
Kata Kunci: COVID-19, Klasifikasi, Decision Tree C4.5, Kinerja Penanganan, Case Fatality Rate (CFR).
The Coronavirus Disease 2019 (COVID-19) pandemic has created immense challenges and significant hurdles for the entire healthcare system across the country, necessitating an assessment of management effectiveness in various areas. This study seeks to examine and establish a classification framework to evaluate how well Indonesian provinces have managed COVID-19, dividing performance into categories such as Good, Average, and Poor, by relying on Data Mining methods and the C4.5 algorithm. The secondary data used includes variables related to confirmed infections, recoveries, and deaths, which were then converted into vital performance metrics like the Case Fatality Rate (CFR) and Recovery Rate (RR). To measure performance, the C4.5 Model was tested using ꞣ-fold cross-validation. Consequently, the classification model demonstrated a significant Accuracy of 95.60%, a figure that reinforces the model's reliability and effectiveness. The decision tree analysis revealed that CFR and RR are the most critical attributes and serve as the major factors (root nodes) in differentiating provincial performance. This model provides explicit classification guidelines that can be used as a basis for local governments and health organizations to prioritize policies on elements that directly impact mortality and recovery rates, ultimately improving the efficiency of COVID-19 handling.
Keywords: COVID-19, Classification, Decision Tree C4.5, Handling Performance, Case Fatality Rate (CFR).
References
Abidin, K.R. and Astrada, A. (2023) “Penggunaan Tikus dan Mencit Dalam Penelitian,” CV. Jejak, 9(7).
Ainurrohmah, A. and Wiyanti, D.T. (2023) “Analisis Performa Algoritma Decision Tree, Naive Bayes, K-Nearest Neighbor untuk Klasifikasi Zona Daerah Risiko Covid-19 di Indonesia,” Jurnal Teknologi Informasi dan Ilmu Komputer, 10(1), pp. 115–122. Available at: https://doi.org/10.25126/jtiik.2023105935.
Apriyadi, A., Lubis, M.R. and Damanik, B.E. (2022) “Penerapan Algoritma C5.0 Dalam Menentukan Tingkat Pemahaman Mahasiswa Terhadap Pembelajaran Daring,” Komputa : Jurnal Ilmiah Komputer dan Informatika, 11(1), pp. 11–20. Available at: https://doi.org/10.34010/komputa.v11i1.7386.
Arham, A. et al. (2022) “Implementasi Sentiment Analysis Pada Opini Masyarakat Indonesia Di Twitter Terhadap Virus Covid-19 Varian Omicron Dengan Algoritma Naïve Bayes, Decision Tree, Dan Support Vector Machine,” Sebatik, 26(2), pp. 565–572. Available at: https://doi.org/10.46984/sebatik.v26i2.1961.
Arista, A. (2022) “Comparison Decision Tree and Logistic Regression Machine Learning Classification Algorithms to determine Covid-19,” Sinkron, 7(1), pp. 59–65. Available at: https://doi.org/10.33395/sinkron.v7i1.11243.
Dwitri, N. et al. (2020) “Penerapan Algoritma K-Means Dalam Menentukan Tingkat Penyebaran Pandemi Covid-19 Di Indonesia,” Jurnal Teknologi Informasi, 4(1), pp. 128–132. Available at: https://doi.org/10.36294/jurti.v4i1.1266.
Haq, A.D. et al. (2021) “Faktor – Faktor Terkait Tingkat Keparahan Infeksi Coronavirus Disease 2019 ( Covid-19 ): Factors Related To The Severity Of Coronavirus Disease 2019 ( Covid-19 ) Infection: A Literature Review,” JIMKI: Jurnal Ilmiah Mahasiswa Kedokteran Indonesia, 9(1), pp. 48–55.
Harini, S. et al. (2023) “Evaluasi Clustering K-Means Dan K-Medoid Pada Persebaran,” Jurnal MNEMONIC, 6(2), pp. 117–128.
Harun, A. and Ananda, D.P. (2021) “Analysis of Public Opinion Sentiment About Covid-19 Vaccination inIndonesia Using Naïve Bayes and Decission Tree,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, 1(1), pp. 58–63.
Kumari, R. et al. (2021) “Analysis and predictions of spread, recovery, and death caused by COVID-19 in India,” Big Data Mining and Analytics, 4(2), pp. 65–75. Available at: https://doi.org/10.26599/BDMA.2020.9020013.
Manullang, N. et al. (2021) “Implementasi Teknik Data Mining untuk Prediksi Peminatan Jurusan Siswa Menggunakan Algoritma C4.5,” Jurnal Ilmu Komputer dan Teknologi, 2(2), pp. 1–5. Available at: https://doi.org/10.35960/ikomti.v2i2.700.
Mardi, Y. (2017) “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” Edik Informatika, 2(2), pp. 213–219. Available at: https://doi.org/10.22202/ei.2016.v2i2.1465.
Oktanisa, I. and Supianto, A.A. (2018) “Perbandingan Teknik Klasifikasi Dalam Data Mining Untuk Bank a Comparison of Classification Techniques in Data Mining for,” Teknologi Informasi dan Ilmu Komputer, 5(5), pp. 567–576. Available at: https://doi.org/10.25126/jtiik20185958.
Puspitorini, S. et al. (2023) “Analisis Klasifikasi Kasus Tindak Pidana Pencurian Dengan Pohon Keputusan Menggunakan Algoritma C4.5 (Studi Kasus Polsek Telanaipura),” FORTECH (Journal of Information Technology), 7(1), pp. 19–25. Available at: https://doi.org/10.53564/fortech.v7i1.949.
Rahardja, U. (2022) “Application of the C4.5 Algorithm for Identifying Regional Zone Status Using A Decision Tree in the Covid-19 Series,” APTISI Transactions on Technopreneurship, 4(2), pp. 164–173. Available at: https://doi.org/10.34306/att.v4i2.234.
Ridho, R. and Hendra, H. (2022) “Klasifikasi Diagnosis Penyakit Covid-19 Menggunakan Metode Decision Tree,” JUST IT : Jurnal Sistem Informasi, Teknologi Informasi dan Komputer, 11(3), pp. 69–75. Available at: https://jurnal.umj.ac.id/index.php/just-it/article/view/13594.
Wahab, A. et al. (2019) “Perbandingan Klasifikasi Metode Naive Bayes dan Metode Decision Tree Algoritma (J48) pada Pasien Penderita Penyakit Stroke di RSUD Comparison of the Classification for Naive Bayes Method and the Decision Tree Algorithm (J48) for Stroke Patients in Abdul W,” Jurnal EKSPONENSIAL, 10(2), pp. 135–142.
Wibowo, A., Indarti, I. and Laraswati, D. (2024) “Komparasi Algoritma Decision Tree, Random Forest dan SVM untuk Prognosis COVID-19,” IMTechno: Journal of Industrial Management and Technology, 5(2), pp. 10–15. Available at: https://doi.org/10.31294/imtechno.v5i2.2868.
ZAEHOL FATAH, M.K. (2025) KOMPUTER DAN MASYARAKAT. cetakan pe. Edited by P.P. Media. yogyakarta.
