Klasifikasi Penyakit Tuberkulosis Paru Menggunakan Algoritma C4.5 di Rumah Sakit Paru Jember

Tria Tita Putri Fatchiah; Angga Rahagiyanto; Niyalatul Muna; Gandu Eko Julianto Suyoso

doi:10.47134/phms.v1i4.711

Authors

Tria Tita Putri Fatchiah Politeknik Negeri Jember
Angga Rahagiyanto Politeknik Negeri Jember
Niyalatul Muna Politeknik Negeri Jember
Gandu Eko Julianto Suyoso Politeknik Negeri Jember

DOI:

https://doi.org/10.47134/phms.v1i4.711

Keywords:

Tuberkulosis Paru, Algoritma C4.5, Akurasi, Precision, Recall

Abstract

Tuberkulosis merupakan penyakit menular yang disebabkan oleh bakteri Myobacterium tuberculosis. Pada pelaporan 10 besar penyakit rawat inap Rumah Sakit Paru Jember tahun 2022, diketahui penyakit Tuberkulosis Paru dengan BTA (+) menempati peringkat 3 dengan jumlah kasus sebanyak 1124 kasus. Penelitian ini bertujuan untuk melakukan klasifikasi penyakit Tuberkulosis Paru mengunakan Algoritma C4.5 di Rumah Sakit Paru Jember. Jenis penelitian ini adalah penelitian kuantitatif yang diolah tools RapidMiner dengan metode Algoritma C4.5. Pengambilan sampel menggnuakan teknik simple random sampling sejumlah358 berkas dengan 11 variabel yang terdiri dari batuk ≥ 2 minggu, batuk berdahak, batuk berdahak disertai darah, nyeri dada, sesak napas, malaise, penurunan berat badan, menurunnya nafsu makan, menggigil, demam, berkeringat malam hari. Hasil penelitian menunjukkan bahwa variabel batuk ≥ 2 minggu memiliki nilai gain ratio tertinggi dan menjadi variabel yang paling berpengaruh dalam penentuan Tuberkulosis Paru. Perbandingan rasio data training dan data testing 90% : 10% memiliki nilai akurasi 80,56%, precision 73,91%, dan recall 94,44 %.

References

[1] Menteri Kesehatan RI, Keputusan Menteri Kesehatan RI No. HK.01.07/MENKES/755/2019 tentang Pedoman Nasional Pelayanan Tata Laksana Tuberkulosis. Jakarta, Indonesia: Kementerian Kesehatan RI, 2019.

[2] Kementerian Kesehatan RI, Profil Kesehatan Indonesia 2021. Jakarta, Indonesia: Kementerian Kesehatan RI, 2022.

[3] Dinas Kesehatan Provinsi Jawa Timur, Profil Kesehatan Provinsi Jawa Timur Tahun 2021. Surabaya, Indonesia: Dinas Kesehatan Provinsi Jawa Timur, 2021.

[4] H. Rahma, A. P. Yunanda, A. Rizal, and Ardyansyah, “Identifikasi tingkat kelulusan mahasiswa menggunakan algoritma Apriori (studi kasus: STKIP YPM Bangko),” Jurnal Ilmiah Metadata, vol. 2, no. 1, pp. 1–9, 2020.

[5] M. F. Arifin and D. Fitrianah, “Rekomendasi penerimaan mitra penjualan: Studi kasus PT Atria Artha Persada,” IncomTech, vol. 8, no. 2, pp. 87–102, 2018, doi: 10.22441/incomtech.v8i1.2198.

[6] E. Mutiara, “Algoritma klasifikasi Naive Bayes berbasis Particle Swarm Optimization untuk prediksi penyakit Tuberculosis (TB),” Swabumi, vol. 8, no. 1, pp. 46–58, 2020, doi: 10.31294/swabumi.v8i1.7668.

[7] P. B. N. Setio, D. R. S. Saputro, and B. Winarno, “Klasifikasi dengan pohon keputusan berbasis algoritme C4.5,” PRISMA: Prosiding Seminar Nasional Matematika, vol. 3, pp. 64–71, 2020.

[8] R. H. Pambudi, B. D. Setiawan, and Indriati, “Penerapan algoritma C4.5 untuk memprediksi nilai kelulusan siswa sekolah menengah berdasarkan faktor eksternal,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 7, pp. 2637–2643, 2018.

[9] H. Rafifah and Z. Zalfa, “Gambaran klinis pasien terduga tuberkulosis paru resisten obat (TB-RO) dengan kolonisasi Candida sp. di Rumah Sakit Hasan Sadikin Bandung,” Jurnal Penyakit Dalam Indonesia, vol. 11, no. 1, pp. 3–10, 2024, doi: 10.7454/jpdi.v11i1.1499.

[10] S. D. Oktaviani, T. Sumarni, and T. Supriyanto, “Studi kasus implementasi batuk efektif pada pasien dengan tuberkulosis paru,” Jurnal Penelitian Perawat Profesional, vol. 5, no. 2, pp. 875–880, 2023, doi: 10.37287/jppp.v5i2.1633.

[11] Zuriati, M. Suriya, and Y. Ananda, Buku Ajar Asuhan Keperawatan Medikal Bedah Gangguan pada Sistem Respirasi: Aplikasi NANDA, NIC, dan NOC, 1st ed. Padang, Indonesia: Sinar Ultima Indah, 2017.

[12] E. Erlina, “Asuhan keperawatan pada pasien dengan TB paru di Puskesmas Siak Hulu I Kabupaten Kampar tahun 2020,” Diploma thesis, Politeknik Kesehatan Kemenkes Riau, Pekanbaru, Indonesia, 2020.

[13] R. Rubiyanti, “Analisis asuhan keperawatan pada Ny. J dengan tuberkulosis paru dan intervensi posisi semi Fowler untuk menurunkan sesak napas di Ruang Zaitun 2 RSUD Al-Ihsan Bandung Provinsi Jawa Barat,” Undergraduate thesis, STIKes Karsa Husada Garut, Garut, Indonesia, 2023.

[14] Abdurrosidi and D. Novitasari, “Asuhan keperawatan dengan gangguan oksigenasi bersihan jalan napas tidak efektif pada pasien TB paru,” Journal of Management Nursing, vol. 1, no. 4, pp. 125–132, 2022.

[15] S. A. Tania, S. Magfirah, and S. Munawaroh, “Studi kasus: Upaya pemenuhan kebutuhan nutrisi pada penderita tuberkulosis paru di Ruang Asoka RSUD Dr. Harjono Ponorogo,” vol. 4, no. 1, pp. 1–14, 2020.

[16] Z. P. Tammi, S. B. Salekede, R. Akib, S. Darma, and B. Natsir, “Karakteristik klinis tuberkulosis paru pada anak di Balai Besar Kesehatan Paru Masyarakat Makassar tahun 2020–2022,” PREPOTIF: Jurnal Kesehatan Masyarakat, vol. 8, no. 1, pp. 626–633, 2024.

[17] R. S. Agustin, “Analisis faktor risiko kejadian tuberkulosis di wilayah kerja Puskesmas Kelurahan Cipinang Besar Utara Kota Administrasi Jakarta Timur,” Undergraduate thesis, Universitas Siliwangi, Tasikmalaya, Indonesia, 2021.

[18] A. A. I. S. Dewi, P. Andrika, and I. B. Artana, “Gambaran karakteristik pasien tuberculosis di Poliklinik Paru RSUP Sanglah Denpasar,” Jurnal Medika Udayana, vol. 9, no. 6, pp. 6–10, 2020.

[19] A. Nugroho, “Analisa splitting criteria pada Decision Tree dan Random Forest untuk klasifikasi evaluasi kendaraan,” JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer, vol. 1, no. 1, pp. 41–49, 2022, doi: 10.53624/jsitik.v1i1.154.

[20] A. A. Puspitasari and E. Santoso, “Klasifikasi dokumen tumbuhan obat menggunakan metode Improved K-Nearest Neighbor,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 2, pp. 486–492, 2018.

[21] F. M. Hana, “Klasifikasi penderita penyakit diabetes menggunakan algoritma Decision Tree C4.5,” Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), vol. 4, no. 1, pp. 32–39, 2020, doi: 10.47970/siskom-kb.v4i1.173.

[22] R. K. Dewi, A. W. Widodo, and M. A. Fauzi, “Prediksi penyakit tuberkulosis menggunakan algoritma Naïve Bayes,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 5, pp. 4512–4518, 2019.

[23] M. S. Lestari, E. Utami, and A. D. Hartanto, “Implementasi algoritma C4.5 untuk klasifikasi diagnosis penyakit pada data rekam medis,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 3, pp. 557–564, 2020, doi: 10.25126/jtiik.2020732420.

[24] S. S. Abdullah, R. I. Rokhmawati, and A. H. Brata, “Perbandingan algoritma Decision Tree dan Random Forest untuk klasifikasi data kesehatan,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 8, pp. 3421–3428, 2021.

[25] World Health Organization, Global Tuberculosis Report 2023. Geneva, Switzerland: World Health Organization, 2023.