Penggunaan Metode Classification Analysis Regression Trees dan Iterative Dichotomizer 3 Dalam Mengklasifikasikan Pasien Hipertensi Di Rumah Sakit Umum Daerah Dr. Pirngadi KotaMedan

Authors

  • Jeni Yulinda Universitas Islam Negeri Sumatera Utara
  • Riri Syafitri Lubis Universitas Islam Negeri Sumatera Utara
  • Rima Aprilia Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.31764/justek.v6i4.20199

Keywords:

Hypertension, Classification Analysis Regression Trees, ID3,

Abstract

Abstract:  Hypertension is a deadly disease wihtout any symptoms. The high cases of hypertension in Indonesian poses a challenge for health development in Indonesia because treating people with hypertension takes a long time and costs a lot. To find out the factors that influence hypertensive patients and reduce the death rate, an intelligent system is needed to classify hypertensive patients early. The methods used for Classification Analysis Regression Trees and Iterative Dechotomizer 3. The results of this study show that the Classification Analysis Regression Trees method produces an accuracy of 93,75%. Meanwhile, the Iterative Dechotomizer 3 method produces a low accuracy of 87,5%. So the Classification Analysis Regression Trees method is better at classifying hypertensive patients than the Iterative Dichotomizer 3 method. Variables that effect it are produced by the classification analysis regression trees  method namely diastolic blood pressure and iterative dichotomizer 3 namely heredity as parent node.

Abstrak: Hipertensi merupakan salah satu penyakit yang mematikan tanpa disertai gejala. Tingginya kasus hipertensi di Indonesia menyebabkan tantangan bagi pembangunan kesehatan di Indonesia karena perawatan penderita hipertensi membutuhkan waktu yang lama dan biaya yang tidak sedikit. Untuk mengetahui faktor yang mempengaruhi pasien hipertensi serta mengurangi angka kematian diperlukan sistem cerdas untuk mengklasifikasikan pasien hipertensi secara dini. Metode yang digunakan untuk pengklasifikasian yaitu Classification Analysis Regression Trees dan Iterative Dichotomizer 3. Adapun hasil dari penelitian ini diperoleh bahwa metode Classification Analysis Regression Trees menghasilkan akurasi sebesar 93,75%. Sedangkan metode Iterative Dichotomizer 3 menghasilkan akurasi yang rendah yaitu 87,5%. Sehingga Metode Classification Analysis Regression Trees lebih baik dalam mengklasifikasikan pasien hipertensi dibandingkan metode Iterative Dichotomizer 3. Variabel yang mempengaruhinya yang dihasilkan oleh metode Classification Analysis Regression Trees yaitu tekanan darah diastolik dan Iterative Dichotomizer 3 yaitu Keturunan sebagai parent node.

                 

Author Biography

Jeni Yulinda, Universitas Islam Negeri Sumatera Utara

-

References

Arum, Y. T. G. (2019). Hipertensi pada Penduduk Usia Produktif (15-64 Tahun). Higeia, 3(3), 345-356

Distante, A., & Distante, C. (2020). Handbook of Image Processing and Computer Vision. Italy : Springer Internasional Publishing.

Hana, F. M., Wahyudin. w. C., Ulya, S., dan Negara, D. S. (2023). Implementasi Algoritma CART Dalam Klasifikasi Penyakit Diabetes. Jurnal Ilmu Komputer dan Matematika. 1-8

Hastuti, A. P. (2022). Hipertensi. Jawa Tengah: Lakeisha.

Ikhsan, M., & Rosmaini, E. 2022. Use of Classification and Regression Tree (CART) Method for Classification of Labor Force Participation Levels in Medan City in 2019. Jurnal Matematika dan Pendidikan Matematika,V(2), 95-103

Insan, N., Hadijati, M., & Irwansyah. (2020). Perbandingan Metode Classification and Regression Trees (CART) dengan Naive Bayes Classification (NBC) dalam klasifikasi Status Gizi Balita di Kelurahan Pagesangan Barat. Eigen Mathematics Journal, 03(01). 9-22

Irwan, Sauddin, A., Ida, N. (2022). Penerapan Pohon Keputusan Dalam Memprediksi Masa Studi Mahasiswa UIN Alauddin Makassar. Jurnal Informatika Sains dan Teknologi (INSTEK). 7(2), 201-210

Jatmiko, Y. A., Padmadisastra. S., & Chadidjah. A. (2019). Analisis Perbandingan Kinerja CART Konvensional, Bagging dan Random Forest Pada Klasifikasi Objek: Hasil Dari Dua Simulasi. Media Statistika. 12(2), 1-12

Jollyta, D., Ramdhan, W., & Zarlis, M. (2020). Konsep Data Mining dan Penerapan. Yogyakarta : Deepublish.

Kurnia, A., & Ners. (2020). Self Management Hipertensi. Surabaya : CV. Jakad Media Publishing.

Kustiyahningsih, Y., Rahmanita. E., Purbandini., Ikromul, I., & Sasmeka, V. (2021). Metode Multi Criteria Decision Making untuk Pendukung Keputusan. Malang: Media Nusa Creative.

Kemenkes RI. (2019). Hipertensi Penyakit Paling Banyak Diidap Masyarakat. Available: https://www.kemkes.go.id/article/view/19051700002/hipertensi-penyakit-paling-banyak-diidap-masyarakat.html [accessed Maret. 3, 2023]

Mangunsong, E. Y., Prasetya, N. H., Rakhmawati, Fibri. 2021. Classification of Pneumomia Risk Factor Characteristics in Toddlers Using Classification and Regression Trees (CART). Journal of Innovation and Technology In Mathematics and Mathematics Education, 1(2), 88-93

Misshuari, I. W., & Chairunnisah. (2020). Penerapan Metode Classification And Regression Trees (CART) untuk Menentukan Faktor-Faktor yang Mempengaruhi Pembayaran Kredit oleh Nasabah di PT BPRS Gebu Prima Medan. Karismatika, 6(3), 10-20

Sauddin, A., Alwi, W., & An, A.N. 2019. Klasifikasi Tingkat Partisipasi Angkatan Kerja Kota Makassar Menggunakan Metode CART. Jurnal Matematika dan Statistika serta Aplikasinya, 7(2), 20-36

Yudha, B. L., Muflikhah, L., Wihandika, R. C. Klasifikasi Risiko Hipertensi Menggunakan Metode Neighbor Weighted K-Nearest Neighbor (NWKNN). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(2), 897-904

Downloads

Published

2023-12-14

Issue

Section

Articles