Klasifikasi Persalinan Prematur Menggunakan Perbandingan Algoritma C4.5 dan Random Forest
Abstract
Persalinan prematur adalah kondisi kelahiran bayi kurang dari 37 minggu dengan berat janin kurang dari 2500 gram. Dimana tingkat persalinan bayi premature yang berujung pada kematian meningkat dari tahun 2000 sampai 2014 sebanyak 8.5%. Klasifikasi untuk penanganan persalinan premature secara dini merupakan salah satu solusi yang sering diteliti. Beberapa algoritma klasifikasi yang sering digunakan adalah C4.5 dan Random Forest. Dari kedua algoritma tersebut akan dipilih mana algoritma terbaik dengan melihat pada tingkat akurasi yang paling tinggi yang akan dipilih.
Dari hasil perhitungan algoritma Random Forest didapatkan akurasi sebesar 99.38% dengan AUC 0.988. Sedangkan capaian dari algoritma C4.5 sebesar 98.75% dengan AUC 0.5. Maka dari hasil itu dapat dibandingkan dengan nilai akurasi kedua algoritma disimpulkan bahwa algoritma Random Forest lebih baik akurasinya untuk mengatasi data persalianan premature jika disbanding dengan algoritma C4.5.
References
Carolin Bunga Tiara, W. I. (2019). Faktor-Faktor Yang Berhubungan Dengan Kejadian Persalinan Preterm Di Rumah Sakit Muhammadiyah Taman Puring Kebayoran Baru Jakarta Selatan Periode Januari-Juni Tahun 2017. Jurnal Ilmu Keperawatan Dan Kebidanan Nasional, 1(1), 12.
Chawanpaiboon, S., Vogel, J. P., Moller, A. B., Lumbiganon, P., Petzold, M., Hogan, D., Landoulsi, S., Jampathong, N., Kongwattanakul, K., Laopaiboon, M., Lewis, C., Rattanakanokchai, S., Teng, D. N., Thinkhamrop, J., Watananirun, K., Zhang, J., Zhou, W., & Gülmezoglu, A. M. (2019). Global, regional, and national estimates of levels of preterm birth in 2014: a systematic review and modelling analysis. The Lancet Global Health, 7(1), e37–e46. https://doi.org/10.1016/S2214-109X(18)30451-0
Devella, S., Yohannes, Y., & Rahmawati, F. N. (2020). Implementasi Random Forest Untuk Klasifikasi Motif Songket Palembang Berdasarkan SIFT. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 7(2), 310–320. https://doi.org/10.35957/jatisi.v7i2.289
Gading Pertiwi, A., & Pujianto, U. (2020). Metode-metode data mining untuk penyelesaian masalah kehamilan dan persalinan. 2(1), 11.
Hairul Umam, M., Wahanggara, V., Cahyanto, T. A., & Muharom, L. A. (2017). Analisis Perbandingan Algoritma C4.5 Dan Algoritma Naïve Bayes Untuk Prediksi Kelulusan Mahasiswa (Studi Kasus?: Prodi Teknik Informatika Universitas Muhammadiyah Jember). Jurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember, 1310651100, 1–9.
Hanif, M. B., Arga, H., Rani, D., Rifai, A., & Guntoro, G. (2022). Komparasi Metode Naive Bayes dan C4 . 5 Pada Klasifikasi Persalinan Prematur. JOINED JOURNAL, 5(1), 54–65.
Irianti, A. P., Mudrikatin, S., & Sari, W. A. (2019). Hubungan Persalinan Prematur dengan Kejadian Ikterus di RSUD Jombang Bulan Januari-Juni Tahun 2019. Jurnal Akademia Husada, 1(2), 14–26.
Jefi. (2019). Prediksi Bayi Lahir Secara Prematur Dengan Menggunakan Metode C . 45 Berbasis Particle Swarm Optimization Pada Klinik Umi. Indonesian Journal on Networking and Security, 8(2), 1–7.
Mambang, & Byna, A. (2017). Analisis Perbandingan Algoritma C.45, Random Forest Dengan Chaid Decision Tree Untuk Klasifikasi Tingkat Kecemasan Ibu Hamil. Semnasteknomedia Online, 5(1), 103–108.
Mustika, E., & Fika Minata. (2021). Analisis Hubungan Faktor Maternal Dan Penyakit Kronik Pada Persalinan Prematur. Jurnal Kesehatan Dan Pembangunan, 11(21), 19–27. https://doi.org/10.52047/jkp.v11i21.94
Nurahmadan, I. F., Agusta, A., Winarno, P. A., Sazali, B. H., Thurfah, Y., & Rosaliah, A. (2021). Perbandingan Algoritma Machine Learning Untuk Klasifikasi Denyut Jantung Janin. Seminar Nasional Mahasiswa Ilmu Komputer Dan Aplikasinya(SENAMIKA), April, 733–740.
Supriyadi, R., Gata, W., Maulidah, N., & Fauzi, A. (2020). Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah. E-Bisnis?: Jurnal Ilmiah Ekonomi Dan Bisnis, 13(2), 67–75. https://doi.org/10.51903/e-bisnis.v13i2.247
Syamsul, B., Dwi, M., & Rahmi, H. (2018). Perbandingan Algoritma Naive Bayes dan C4.5 Untuk Klasifikasi Penyakit Anak. Seminar Nasional Aplikasi Teknologi Informasi (SNATi), B24–B31.
Tyas, S. J. S., Febianah, M., Solikhah, F., Kamil, A. L., & Arifin, W. A. (2021). Analisis Perbandingan Algoritma Naive Bayes Dan C.45 Dalam Klasifikasi Data Mining Untuk Memprediksi Kelulusan. Jurnal Teknologi Informasi Dan Komunikasi, 8(1), 86–99.
Wuryani, N., & Agustian, S. (2021). Random Forest Classifier untuk Deteksi Penderita COVID-19 berbasis Citra CT Scan. Jurnal Teknik Komputer AMIK BSI, 7(2), 187–193. https://doi.org/10.31294/jtk.v4i2
Xu, Z., Shen, D., Nie, T., Kou, Y., Yin, N., & Han, X. (2021). A cluster-based oversampling algorithm combining SMOTE and k-means for imbalanced medical data. Information Sciences, 572, 574–589. https://doi.org/10.1016/j.ins.2021.02.056
Yetti Anggraini. (2014). Hubungan Antara Persalinan Prematur dengan Hiperbilirubin pada Neonatus. Jurnal Kesehatan, 5(2), 109–112

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.