Perbandingan Akurasi Algoritma Decision Tree dan Random Forest dalam Diagnosa Penyakit Hepatitis

Muhammad Riansyah; Syaiful Bahri; Harry Pratama Fiqna

doi:10.60076/ijstech.v2i3.1108

Authors

Muhammad Riansyah STKIP Al Maksum
Syaiful Bahri STKIP Al Maksum
Harry Pratama Fiqna STKIP Al Maksum

DOI:

https://doi.org/10.60076/ijstech.v2i3.1108

Keywords:

Decision Tree, Random Forest, Machine Learning, Dataset, Hepatitis

Abstract

Penyakit hepatitis merupakan salah satu masalah kesehatan global yang membutuhkan deteksi dini untuk mencegah komplikasi lebih lanjut. Dalam konteks ini, algoritma machine learning dapat memberikan kontribusi penting untuk meningkatkan akurasi diagnosis. Penelitian ini bertujuan untuk membandingkan tingkat akurasi antara dua algoritma machine learning yang populer, yaitu Decision Tree dan Random Forest, dalam memprediksi penyakit hepatitis. Dataset yang digunakan Kaggle.com. Kedua algoritma dievaluasi menggunakan metrik akurasi, klasifikasi eror, presisi, dan recall, setelah dilakukan pembagian data menjadi 80% untuk pelatihan dan 20% untuk pengujian. Hasil pengujian menunjukkan bahwa algoritma Random Forest memberikan tingkat akurasi yang lebih tinggi 90,32% dibandingkan dengan Decision Tree 80,65%. Selain itu, Random Forest juga lebih efektif dalam menangani data yang tidak seimbang, yang sering ditemukan dalam diagnosis penyakit hepatitis. Meskipun Decision Tree memiliki keunggulan dalam interpretasi model, hasil penelitian ini menunjukkan bahwa Random Forest lebih unggul dalam meningkatkan akurasi prediksi.

Downloads

Download data is not yet available.

References

H. Syahputra, and D. M. Syafindy, “Sistem Pakar Diagnosa Penyakit Hepatitis Dengan Menggunakan Metode Certainty Factor. Jurnal Sains Informatika Terapan, vol. 2. no. 1. pp. 45-50, Feb. 2023, doi: 10.62357/jsit.v2i1.186

T. R. P. Lestari, “Kolaborasi Global Dalam Penanganan Hepatitis: Posisi Dan Peran Indonesia,” Pusat Analisis Keparlemenan Badan Keahlian DPR RI., vol. XVI, no. 14, II, pp. 21-25, Juli. 2024.

J. Adler, “Diagnosa Penyakit dengan Gejala Demam pada Manusia Berbasis Mobile: Knowledge Based System” Komputika: Jurnal Sistem Komputer, Vol. 6, No. 2, pp. 51-58, 2017, doi: 10.34010/komputika.v6i2.1607

Ihsan. Reduksi Atribut Pada Algoritma K-Nearest Neighbor (KNN) Dengan Menggunakan Algoritma Genetika. Tesis., Universitas Sumatera Utara., Medan, 2018.

Theodoridis, Machine Learning: A Bayesian and Optimization Perspective, 2nd ed. Athens, Greece: Academic Press, 2020.

Hendra., Azis, M.A. and Suhardjono, “Analisis Prediksi Kelulusan Mahasiswa Menggunakan Decission Tree Berbasis Particle Swarm Optimization” Jurnal SISFOKOM (Sistem Informasi dan Komputer), pp. 102-107, 2022.

L. Ratnawati and D. R. Sulistyaningrum. “Penerapan random forest untuk mengukur tingkat keparahan penyakit pada daun apel”. Jurnal Sains dan Seni ITS, 8(2), pp. A71-A77. 2020.

R. Ordila, R. Wahyuni, Y. Irawan, dan M. Y. Sari, "Penerapan Data Mining untuk Pengelompokan Data Rekam Medis Pasien Berdasarkan Jenis Penyakit dengan Algoritma Clustering (Studi Kasus: Poli Klinik Pt. Inecda)," Jurnal Ilmu Komputer, vol. 9, no. 2, pp. 148–153, 2020.

D. Darwis, "Penerapan Algoritma Naive Bayes untuk Analisis Sentimen Review Data Twitter BMKG Nasional," Jurnal Tekno Kompak, vol. 15, no. 1, pp. 131-145, 2021.

F. Ardiansyah. “Sistem Prediksi Harga Sewa Kost Dengan Menggunakan Random Forest Analytics (Studi Kasus: Kost Eksklusif di Daerah Istimewa Yogyakarta),” Tugas Akhir., Universitas Islam Indonesia Yogyakarta., Yogyakarta, 2020.

A. Rahmansyah et al., "Membandingkan Pengaruh Feature Selection Terhadap Algoritma Naïve Bayes dan Support Vector Machine," in Seminar Nasional Aplikasi Teknologi Informasi (SNATi), 2018.

M. F. Naufal, "Analisis Perbandingan Algoritma SVM, KNN dan CNN untuk Klasifikasi Citra Cuaca," Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 8, no. 2, pp. 311-317, 2021.