Implementasi Algoritma C4.5 untuk Mendiagnosis Penyakit Jantung Koroner pada RapidMiner
DOI:
https://doi.org/10.35473/jamastika.v5i1.4678Abstract
Penyakit kardoivaskular, khususnya penyakit jantung koroner, menjadi alasan utama terjadinya kematian di seluruh dunia dan menduduki posisi kedua di Indonesia setelah stroke. Tingginya angka kematian akibat penyakit ini menuntut inovasi dalam proses diagnosis yang lebih cepat dan akurat. Studi ini mengaplikasikan metode penggalian data untuk menemukan faktor risiko utama yang terkait dengan penyakit jantung koroner, dengan menerapkan metode klasifikasi Decision Tree menggunakan algoritma C4.5. Algoritma C4.5 dipilih karena kemampuannya untuk memproses data berkelanjutan dengan efisiensi tinggi dan dapat menghasilkan model prediksi yang mudah dipahami. Proses analisis dilakukan dengan memanfaatkan perangkat lunak RapidMiner, yang menawarkan visualisasi terstruktur untuk membantu memahami hasil. Temuan dari penelitian ini diharapkan bisa menjadi pedoman dalam pengembangan sistem yang mendukung keputusan untuk tenaga medis, baik dalam meningkatkan mutu diagnosis maupun penanganan penyakit jantung.
Kata Kunci: Algritma C4.5, Data Mining, Penyakit Jantung, Klasifikasi
Cardiovascular disease, particularly coronary heart disease, is the leading cause of death worldwide and ranks second in Indonesia after stroke. The high mortality rate from this disease demands innovation in faster and more accurate diagnostic processes. This study applies data mining methods to identify key risk factors associated with coronary heart disease, using the Decision Tree classification method using the C4.5 algorithm. The C4.5 algorithm was chosen for its ability to process continuous data with high efficiency and can produce easy-to-understand predictive models. The analysis process was carried out using RapidMiner software, which offers structured visualizations to aid in understanding the results. The findings of this study are expected to guide the development of decision-support systems for medical personnel, both in improving the quality of diagnosis and treatment of heart disease.
Keywords: C4.5 Algorithm, Data Mining, Heart Disease, Classification
References
d. l. rianti, y. umaidah, & a. v. (2021). Marketplace trends based on customer review classification using kernel support vector machine comparison. STRING (Satuan Tulisan Riset dan Inovasi Teknologi).
ilmu, j., & ruru, k. (2025). Peningkatan kinerja decision tree C4.5 melalui pendekatan mean. 2(1), 24–32.
jantung, p., haryadi, d., marini, d., & atmaja, u. (2021). Penerapan algoritma k-means clustering untuk pengelompokan tingkat risiko. 1089, 1–16.
maspiyanti, f., informatika, t., pancasila, u., & gatc, j. (2015). Diagnosa penyakit jantung pada ponsel menggunakan. 1(1), 13–20.
muzakki, f., ubaydillah, i., assyiami, n. r., & soleha, s. (2024). Penerapan algoritma C4.5 untuk prediksi penyakit jantung menggunakan RapidMiner. 2, 71–79.
no, v., hal, a., agus, i. m., gunawan, o., ayu, i. d., saraswati, i., gede, i. d., agung, r., & eka, i. p. (2023). Klasifikasi penyakit jantung menggunakan algoritma decision tree series C4.5 dengan RapidMiner. 5(2), 73–83.
santoso, m., al-akbar, b., nurjaya, h., ramadhan, s. a., rizky, n. a., & fadillah, a. (2023). Klasifikasi potensi penyakit jantung menggunakan algoritma C4.5. 3(2), 96–103.
wijayadhi, a., effendi, m. m., & rahardjo, s. b. (2023). Prediksi penyakit jantung dengan algoritma regresi linier. 4(1), 15–28.
dqlab. (2022). Pentingnya implementasi data sekunder dalam sebuah penelitian. https://dqlab.id/pentingnya-implementasi-data-sekunder-dalam-sebuah-penelitian
safuan, s., & firmansyah, r. (2020). Penerapan algoritma C4.5 untuk klasifikasi penyakit jantung berbasis data mining. Jurnal Teknologi Informasi, 7(2), 55–63.
patel, j., & tejal, m. (2019). Heart disease prediction using decision tree (C4.5) algorithm. International Journal of Computer Applications, 182(25), 10–15.
kumar, s., & goyal, p. (2020). A study on heart disease prediction using data mining techniques. International Journal of Engineering Research, 9(3), 40–45.
