Anda belum Log-in!
Silahkan Log in
Selamat Datang di Portal Digital Content Publisher
Rabu , 04 November 2026
Perpustakaan sebagai jantung pendidikan tinggi di Indonesia, harus mampu memberi kontribusi yang berarti bagi pelaksanaan proses belajar mengajar di perguruan tinggi.
di-posting oleh 200411100137 pada 2026-10-07 09:10:01 • 11 klik
Klasifikasi Penyakit Hipertensi Menggunakan Metode Decision Tree C4.5
Classification of Hypertension Using the Decision Tree C4.5 Method
disusun oleh A. ARGA BIMANTARA A.
| Subyek: | Data Science |
| Kata Kunci: | Hipertensi Klasifikasi Decision Tree |
[ Anotasi Abstrak ]
Hipertensi merupakan masalah kesehatan global dengan prevalensi tinggi yang berpotensi memicu komplikasi serius, sehingga memerlukan mekanisme deteksi dini yang cepat dan presisi. Pemanfaatan machine learning menawarkan solusi analitik untuk mendukung diagnosis penyakit berdasarkan rekaman data medis secara otomatis. Penelitian ini bertujuan untuk mengklasifikasikan penyakit hipertensi menggunakan algoritma Decision Tree C4.5 berbasis kriteria entropyrnyang diterapkan pada dataset pasien dari UPT Puskesmas Modopuro, Kabupaten Mojokerto. Proses pemodelan melibatkan 1.537 data rekam medis dengan atribut utama yang dievaluasi meliputi tekanan darah Sistole, Diastole, dan Umur. Untuk mengevaluasi keandalan sistem, pengujian dilakukan melalui variasi skenario rasio pembagian data (70:30, 80:20, 90:10) serta penyesuaian tingkat kedalaman pohon (max_depth 3, 5, dan 7). Hasil penelitian membuktikan bahwa model mencapai performa paling optimal pada konfigurasi rasio data 90:10 dengan max_depth 3, yang menghasilkan tingkat akurasi tertinggi sebesar 92,98%. Berdasarkan interpretasi struktur pohon keputusan yang terbentuk, atribut Sistole teridentifikasi sebagai indikator klinis paling dominan (root node) dalam membedakan diagnosis kelas hipertensi dan normal. Secara keseluruhan, penerapan arsitektur algoritma C4.5 ini terbukti sangat efisien, akurat, serta mampu merepresentasikan aturan logis keputusan yang transparan, menjadikannya sangat potensial untuk diimplementasikan sebagai sistem pendukung keputusan medis.
Deskripsi Lain
Hypertension is a global health problem with a high prevalence and the potential to cause serious complications, necessitating rapid and accurate early detection mechanisms. The utilization of machine learning offers an analytical solution to support disease diagnosis based on medical record data automatically. This study aims to classify hypertension using the Decision Tree C4.5 algorithm based on the entropy criterion, applied to a patient dataset obtained from the Modopuro Community Health Center (UPT Puskesmas Modopuro), Mojokerto Regency. The modeling process involved 1,537 medical record data entries, with the primary attributes evaluated consisting of systolic blood pressure, diastolic blood pressure, and age. To evaluate the reliability of the model, testing was conducted using various data-splitting ratios (70:30, 80:20, and 90:10) and different tree depth configurations (max_depth of 3, 5, and 7). The results demonstrated that the optimal model performance was achieved using a 90:10 data-splitting ratio with a max_depth of 3, resulting in the highest accuracy of 92.98%. Based on an interpretation of the resulting decision tree structure, systolic blood pressure was identified the most dominant clinical indicator, serving the root node in distinguishing between hypertension and normal classes. Overall, the implementation of the C4.5 algorithm proved to be efficient and accurate while providing transparent and interpretable decision rules, making it highly promising for implementation a medical decision support system.
| Kontributor | : Dr. Eka Mala Sari Rochman, S.Kom., M.Kom. Dr. Aeri Rachmad, S.T., M.T. |
| Tanggal tercipta | : 2026-01-19 |
| Jenis(Tipe) | : Text |
| Bentuk(Format) | |
| Bahasa | : Indonesia |
| Pengenal(Identifier) | : TRUNOJOYO-Tugas Akhir-42130 |
| No Koleksi | : 200411100137 |
Download File Penyerta (khusus anggota terdaftar)
1. TRUNOJOYO-Tugas Akhir-42130-Abstract.pdf - 100 KB 2. TRUNOJOYO-Tugas Akhir-42130-Cover.pdf - 3345 KB 3. TRUNOJOYO-Tugas Akhir-42130-Chapter1.pdf - 76 KB 4. TRUNOJOYO-Tugas Akhir-42130-Chapter2.pdf - 149 KB 5. TRUNOJOYO-Tugas Akhir-42130-Chapter3.pdf - 242 KB 6. TRUNOJOYO-Tugas Akhir-42130-Chapter4.pdf - 821 KB 7. TRUNOJOYO-Tugas Akhir-42130-Conclusion.pdf - 10 KB 8. TRUNOJOYO-Tugas Akhir-42130-References.pdf - 71 KB 9. TRUNOJOYO-Tugas Akhir-42130-Appendices.pdf - 23 KB
Dokumen sejenis...- Analisis Sentimen pada Media Sosial Twitter Terhadap Kebijakan PPKM Menggunakan Metode Naive Bayes Classifier
- ANALISIS SENTIMEN PENGGUNAAN VAKSIN COVID 19 DI INDONESIA MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN)
- KLASIFIKASI TANAMAN PANGAN BERDASARKAN KONDISI LAHAN PERTANIAN MENGGUNAKAN METODE RANDOM FOREST
- SISTEM REKOMENDASI WISATA KABUPATEN BANGKALAN MENGGUNAKAN ITEM-BASED COLLABORATIVE FILTERING DENGAN USER PROFILE FILTER
- KLASIFIKASI STATUS PEROKOK MENGGUNAKAN METODE K-NEAREST NEIGHBORS
Dokumen yang bertautan...- Analisis Sentimen pada Media Sosial Twitter Terhadap Kebijakan PPKM Menggunakan Metode Naive Bayes Classifier
- ANALISIS SENTIMEN PENGGUNAAN VAKSIN COVID 19 DI INDONESIA MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN)
- KLASIFIKASI TANAMAN PANGAN BERDASARKAN KONDISI LAHAN PERTANIAN MENGGUNAKAN METODE RANDOM FOREST
- SISTEM REKOMENDASI WISATA KABUPATEN BANGKALAN MENGGUNAKAN ITEM-BASED COLLABORATIVE FILTERING DENGAN USER PROFILE FILTER
- KLASIFIKASI STATUS PEROKOK MENGGUNAKAN METODE K-NEAREST NEIGHBORS
Kembali ke Daftar