Penerapan Data Mining Model Algoritma C4.5 Dan Naïve Bayes Pada Diagnosis Awal Penyakit Hipertensi
DOI:
https://doi.org/10.53564/vrq8e855Keywords:
C4.5 Algorithm 1, Data Mining, Hypertension, Naïve Bayes Algorithm, RapidMinerAbstract
Hypertension is a global health problem whose prevalence continues to increase, including in Jambi Province. Early detection of hypertension is crucial to prevent serious complications. This study aims to compare the performance of the C4.5 and Naïve Bayes algorithms in the early diagnosis of hypertension using patient data from Simpang Kawat Community Health Center, Jambi. The data used are hypertension patient data consisting of 200 training data and 50 test data with variables such as age, gender, smoking, BMI, cholesterol levels and blood pressure. The research methods include data collection, data cleaning, algorithm implementation using RapidMiner, and performance evaluation based on accuracy, precision, recall, and F1-score. The results show that the Naïve Bayes algorithm achieved the highest accuracy of 90%, precision of 93.48% and recall of 95.56%. Meanwhile, the C4.5 algorithm achieved 86% accuracy, precision of 91.30% and recall of 93.33%. The Naïve Bayes algorithm demonstrated superior performance in predicting hypertension based on the tested data, both on data with independent attributes, and tended to provide stable accuracy results. Meanwhile, the C4.5 algorithm produced an easily understood model due to its systematic and easily explained decision tree structure. The results of this study concluded that the Naïve Bayes algorithm is more effective for the early diagnosis of hypertension.
Downloads
References
[1] J. Rekayasa et al., “Coding : Jurnal Komputer dan Aplikasi Prediksi Risiko Penyakit Hipertensi Menggunakan Metode Extreme Learning Machine (ELM) [1] Rinie Muhardina.”
[2] K. Abdul Khalim, U. Hayati, and A. Bahtiar, “PERBANDINGAN PREDIKSI PENYAKIT HIPERTENSI MENGGUNAKAN METODE RANDOM FOREST DAN NAÏVE BAYES,” 2023.
[3] R. Sahila, T. Widiharih, and I. T. Utami, “ANALISIS KLASIFIKASI MENGGUNAKAN REGRESI LOGISTIK BINER DAN ALGORITMA NAÏVE BAYES CLASSIFIER PADA PENYAKIT HIPERTENSI,” J. Gaussian, vol. 13, no. 2, pp. 319–327, Nov. 2024, doi: 10.14710/j.gauss.13.2.319-327.
[4] Dinas Kesehatan Provinsi Jambi, “Profil Kesehatan Jambi,” Dk, vol. 53, no. 9, pp. 1689–1699, 2020.
[5] Dinkes Kota Jambi, “Provinsi Jambi Tahun 2021 Provinsi Jambi,” Profil Kesehat. Provinsi Jambi Tahun 2021, no. 08, p. 204, 2021.
[6] Dinas Kesehatan Provinsi Jambi, PROFIL KESEHATAN PROVINSI JAMBI Tahun 2022. 2022.
[7] N. Ain Banyal, U. Doktor Husni Ingratubun Papua, and J. Raya Abepura Kotaraja Jayapura Papua, “IMPLEMENTASI DATA MINING UNTUK PREDIKSI PENYAKIT MALARIA TROPIKA DENGAN ALGORITMA C4.5,” J. Ilm. MATRIK, vol. 25, no. 3, p. 2023.
[8] A. Pebdika, R. Herdiana, and D. Solihudin, “Klasifikasi Menggunakan Metode Naive Bayes Untuk Menentukan Calon Penerima Pip,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 452–458, 2023, doi: 10.36040/jati.v7i1.6303.
[9] R. Soraya, M. N. Hayati, and R. Goejantoro, “Klasifikasi Status Hipertensi Pasien UPTD Puskesmas Sempaja, Kota Samarinda Menggunakan Metode K-Nearest Neighbor,” Eksponensial, vol. 14, no. 2, p. 67, 2023, doi: 10.30872/eksponensial.v14i2.1009.
[10] F. Rahmadayanti, I. Anggraini, and T. Susanti, “Pengklasterisasian Data Penyakit Hipertensi dengan Menggunakan Metode K-Means,” J. Inf. Syst. Res., vol. 4, no. 2, pp. 737–741, 2023, doi: 10.47065/josh.v4i2.2905.
[11] S. Surorejo et al., “Penerapan Metode Naïve Bayes Pada Sistem Pakar Untuk Diagnosa Penyakit Hipertensi,” vol. 3, no. 1, pp. 8–17, 2022.
[12] A. Supriyadi, “Perbandingan Algoritma Naive Bayes dan Decision Tree(C4.5) dalam Klasifikasi Dosen Berprestasi,” Gener. J., vol. 7, no. 1, pp. 39–49, 2023, doi: 10.29407/gj.v7i1.19797.
[13] I. S. W. Kurniati Pratami, “PERBANDINGAN ALGORITMA C4.5 DAN NAIVE BAYES DALAM MENDETEKSI HIPERTENSI DI PUSKESMAS BANYUBIRU,” JAMASTIKA, vol. VOLUME 2 N, 2023.
[14] S. Ray, J. Das, R. Pande, and A. Nithya, “PENERAPAN DATA MINING UNTUK PREDIKSI STUNTING PADA BALITA MENGGUNAKAN ALGORITMA C4.5,” vol. 12, no. 2, pp. 195–222, 2024, doi: 10.1201/9781032622408-13.
[15] Y. Timur, F. Simbolon, F. T. Informasi, and U. A. Indonesia, “Perancangan Aplikasi Untuk Memprediksi Seseorang Menderita Penyakit Hipertensi Menggunakan Data Mining,” vol. 7, pp. 67–85, 2017.
[16] U. Suriani, “Penerapan Data Mining untuk Memprediksi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree C4.5,” Journalcisa, vol. 3, no. 2, pp. 55–66, 2023, [Online]. Available: http://jesik.web.id/index.php/jesik/article/view/91
[17] A. Algoritma, K. Pada, S. Rapidminer, and W. Ainurrohmah, “Akurasi Algoritma Klasifikasi pada Software Rapidminer dan Weka,” Pros. Semin. Nas. Mat., vol. 4, pp. 493–499, 2021, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/
[18] T. Fasilitas, T. Margasatwa, J. Hendri, and D. Oscar, “Penerapan Algoritma C4.5 Dalam Mengukur Kepuasan Pengunjung.” [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/infortech73
[19] M. S. Deny Jollyta, Prihandoko, Alyauma Hajjah, Elin Haerani, Algoritma Klasifikasi Untuk Pemula. Yogyakarta, 2023. [Online]. Available: https://ipusnas2.perpusnas.go.id/book/ba3f469d-d569-4ece-839b-9c91d967d8f4
[20] S. K. Vina Fitriyanti, M. K. Gusmelia Testiana, and M. C. Catur Eri Gunawan, S.T., IMPLEMENTASI ALGORITMA C4.5 : KLASIFIKASI PREDIKAT KELULUSAN MAHASISWA. 2021.
[21] Budiarti Rike Limia and N. K. Rismawati, “Analisis Prediksi Kelulusan Mahasiswa Fakultas Ilmu Komputer Universitas Nurdin Hamzah Menggunakan Metode Naive Bayes,” Fortech, no. 0741, pp. 2–5, 2024.
[22] I. M. Y. Kusumah, L. Apriyanti, and P. R. Rafki, “Sistem Pakar Diagnosa Pada Mahasiswa Tingkat Akhir Dengan Menggunakan Metode Certainty Factor Berbasis Android (Studi Kasus: Mahasiswa Tingkat Akhir STMIK Bandung),” J. Teknol. Inf. dan Komun., vol. 11, no. 1, pp. 9–18, 2022.
[23] J. Sinurat, “Jaringan Saraf Tiruan Diagnosa Penyakit Kanker Paru-Paru Menggunakan Metode Hebb Rule,” Bull. Inf. Technol., vol. 2, no. 1, pp. 20–27, 2021.
[24] S. Choerunnisa Nurzanah, S. Alam, and T. Iman Hermanto, “Analisis Association Rule Untuk Identifikasi Pola Gejala Penyakit Hipertensi Menggunakan Algoritma Apriori (Studi Kasus: Klinik Rafina Medical Center),” JIKO (Jurnal Inform. dan Komputer), vol. 5, no. 2, pp. 132–141, 2022, doi: 10.33387/jiko.v5i2.4792.
[25] Lukitaningtyas, DikaEko Agus Cahyono, “JURNAL PENGEMBANGAN ILMU DAN PRAKTIK KESEHATAN,” Aleph, vol. 87, no. 1,2, pp. 149–200, 2023, [Online]. Available: https://repositorio.ufsc.br/xmlui/bitstream/handle/123456789/167638/341506.pdf?sequence=1&isAllowed=y%0Ahttps://repositorio.ufsm.br/bitstream/handle/1/8314/LOEBLEIN%2C LUCINEIA CARLA.pdf?sequence=1&isAllowed=y%0Ahttps://antigo.mdr.gov.br/saneamento/proees
[26] R. Nurhidayat and K. E. Dewi, “Penerapan Algoritma K-Nearest Neighbor Dan Fitur Ekstraksi N-Gram Dalam Analisis Sentimen Berbasis Aspek,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 1, pp. 91–100, 2023, doi: 10.34010/komputa.v12i1.9458.
[27] P. Romadloni, B. Adhi Kusuma, and W. Maulana Baihaqi, “Komparasi Metode Pembelajaran Mesin Untuk Implementasi Pengambilan Keputusan Dalam Menentukan Promosi Jabatan Karyawan,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 622–628, 2022, doi: 10.36040/jati.v6i2.5238.
[28] S. Clara, D. Laksmi Prianto, R. Al Habsi, E. Friscila Lumbantobing, and N. Chamidah, “Implementasi Seleksi Fitur Pada Algoritma Klasifikasi Machine Learning Untuk Prediksi Penghasilan Pada Adult Income Dataset,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. Jakarta-Indonesia, vol. 2, no. 1, pp. 741–747, 2021.
[29] Kus Indrani Listyoningrum, Danise Yunaini Fenida, and Nurhasan Hamidi, “Inovasi Berkelanjutan dalam Bisnis: Manfaatkan Flowchart untuk Mengoptimalkan Nilai Limbah Perusahaan,” J. Inf. Pengabdi. Masy., vol. 1, no. 4, pp. 100–112, 2023, doi: 10.47861/jipm-nalanda.v1i4.552.
[30] D. C. Aprilla Donny Aji Baskoro Lia Ambarwati I Wayan Simri Wicaksana Editor and R. Sanjaya, “Identitas Belajar Data Mining dengan RapidMiner Hak Cipta © pada Penulis Hak Guna mengikuti Open Content model Desain sampul: Dennis Aprilla C.”
[31] A. Z. D. Nur Adiya, D. L. Anggraeni, and Ilham Albana, “Analisa Perbandingan Penggunaan Metodologi Pengembangan Perangkat Lunak (Waterfall, Prototype, Iterative, Spiral, Rapid Application Development (RAD)),” Merkurius J. Ris. Sist. Inf. dan Tek. Inform., vol. 2, no. 4, pp. 122–134, 2024, doi: 10.61132/merkurius.v2i4.148.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 JURNAL AKADEMIKA
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
