PENERAPAN ALGORITMA DECISION TREE DAN RANDOM FOREST UNTUK MEMPREDIKSI PENYAKIT DBD

Klasifikasi merupakan proses untuk dapat menemukan model atau fungsi yang menjelaskan dan membedakan suatu konsep atau kelas data. Klasifikasi bertujuan untuk dapat memperkirakan kelas dari objek yang labelnya tidak dapat diketahui. Salah satu penyakit yang sangat berbahaya yang dapat diklasifikasikan adalah Demam Berdarah Dengue (DBD). Menurut Kementerian Kesehatan jumlah penderita DBD di Bangkalan jumlah kasus meninggal pada 2017 sebanyak 493 jiwa, tahun berikutnya 467 jiwa, pada 2019 telah mencapai mencapai 917 jiwa. Bahkan di Juli 2020 sudah tercatat sebanyak 459 jiwa yang meninggal akibat DBD. DBD adalah suatu penyakit yang dapat ditularkan oleh nyamuk lewat gigitannya yang mengandung virus flaviviridae serta dapat menyebabkan kematian. Gejala yang ditimbulkan dari DBD sama atau mirip dengan penyakit lain yaitu adanya ruam, nyeri kepala, nyeri otot dan demam, yang mengakibatkan instansi puskesmas Socah lebih lama dalam mendiagnosis pasien. Dibutuhkan waktu selama tiga sampai empat hari sesuai hasil laboratorium dari Puskesmas Socah. Untuk mempermudah proses deteksi dini, maka diciptakan klasifikasi DBD menggunakan teknik Data mining dengan metode Decision Tree dan Random Forest .Data set yang digunakan untuk mengolah data berasal dari Puskesmas Socah dengan total 200 data pasien yang terindikasi DBD dan tidak. Dari set data akan dibagi menjadi 10 atribut dengan dua kelas data yaitu DBD dan Sehat. Fokus utama dalam penelitian ini adalah menghasilkan klasifikasi dengan akurasi paling tinggi dari metode Decision Tree dan Random Forest. Akurasi paling tinggi yaitu Random Forest mencapai presisi 96% recall 97%, dan F1 score 96% dengan rata-rata waktu komputasi sebesar 0.233980 sebagai output dalam pembuatan aplikasi deteksi dini penyakit DBD. Parameter yang digunakan adalah gini indeks.