Penyakit Demam Berdarah Dengue (DBD) masih menjadi permasalahan kesehatan masyarakat di Indonesia yang ditandai dengan tingkat morbiditas dan mortalitas yang semakin tinggi serta penyebarannya yang terus meluas. Tantangan utama dalam penanganan penyakit DBD adalah kesulitan diagnosis dini akibat gejala klinis awal yang tidak spesifik dan menyerupai penyakit lain seringkali menyebabkan kesalahan diagnosis yang berdampak pada pemberian terapi yang kurang tepat sehingga meningkatkan risiko komplikasi hingga kematian. Akibatnya, terjadi keterlambatan diagnosis yang berdampak pada memburuknya prognosis pasien serta meningkatkan beban ekonomi dan sosial bagi sistem kesehatan masyarakat. Penelitian ini bertujuan untuk membangun sistem klasifikasi diagnosis DBD menggunakan algoritma Random Forest berdasarkan data rekam medis pasien. Untuk mecapai performa model yang optimal, evaluasi dilakukan melalui tiga skenario rasio pembagian data (70:30, 80:20 dan 90:10) dengan setiap skenario dilakukan pemilihan parameter secara bertahap terhadap n_estimators, max_depth dan min_samples_leaf. Hasil penelitian menunjukkan bahwa optimasi parameter secara bertahap konsisten meningkatkan performa model (accuracy, precision, recall dan F1-score) diseluruh skenario dibandingkan dengan pengujian tahap awal. Performa tertinggi dicapai pada rasio pembagian data 80:20 dengan kombinasi parameter n_estimators 100, max_depth 4 dan min_samples_leaf 6. Model tersebut mencapai nilai accuracy 88.57%, precision 84.62%, recall 100%, dan F1-score 91.67%. Kesimpulannya, algoritma Random Forest dengan konfigurasi rasio pembagian data dan kombinasi parameter tersebut terbukti efektif untuk mengklaifikasikan diagnosis penyakit DBD dan berpotensi digunakan sebagai alat pendukung keputusan klinis.


Deskripsi Lain

Dengue Hemorrhagic Fever (DHF) remains a major public health issue in Indonesia, characterized by escalating morbidity and mortality rates well widespread transmission. A primary challenge in managing DHF is the difficulty of early diagnosis; its non-specific initial clinical symptoms often resemble those of other diseases, frequently leading to misdiagnosis, inappropriate therapy, and an increased risk of severe complications up to mortality. Consequently, delayed diagnosis worsens patient prognosis and increases the socioeconomic burden on the public healthcare system. This study aims to develop a DHF diagnosis classification system using the Random Forest algorithm based on patients' medical record data. To achieve optimal model performance, evaluations were conducted using three data splitting ratio scenarios (70:30, 80:20, and 90:10). Within each scenario, progressive parameter tuning was performed on n_estimators, max_depth, and min_samples_leaf. The results indicated that progressive parameter optimization consistently improved model performance metrics (accuracy, precision, recall, and F1-score) across all scenarios compared to the initial baseline testing. The highest performance was achieved using the 80:20 data splitting ratio with a parameter combination of n_estimators 100, max_depth 4, and min_samples_leaf 6. The optimized model achieved an accuracy of 88.57%, precision of 84.62%, recall of 100%, and an F1-score of 91.67%. In conclusion, the Random Forest algorithm, utilizing the specified data splitting ratio and parameter configuration, proved effective in classifying DHF diagnoses and holds the potential to serve a clinical decision support tool.

• IDENTIFIKASI UNTUK PENENTUAN TINGKAT KESESUAIAN LAHAN TERHADAP PADI SAWAH MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION DENGAN VISUALISASI GOOGLE MAPS API
• Sistem Analisis Sentimen Produk Telkomsel dari Opini Twitter Berbahsa Indonesia Menggunakan Metode Naive Bayes Classifier
• KLASIFIKASI KOMPLEKSITAS VISUAL CITRA BERDASARKAN STRUCTURE, NOISE, DAN DIVERSITY MENGGUNAKAN SISTEM INFERENSI FUZZY MAMDANI
• Klasifikasi Efektifitas Pencapaian Belajar Menghafal Asmaul Husna Melalui Metode Pembelajaran Hanifida Menggunakan Game Edukai Dengan Metode Fuzzy
• RANCANG BANGUN E-DOCUMENT DI KANTOR PELAYANAN PERIJINAN TERPADU KABUPATEN BANGKALAN MENGGUNAKAN NAIVE BAYES CLASSIFIER