Klasifikasi Pasien Penyakit Jantung Di Papua Barat Menggunakan Algoritma Random Forest
Article Sidebar
Main Article Content
Abstract
Penyakit jantung merupakan salah satu penyebab utama kematian di Indonesia, termasuk di Papua Barat. Perbedaan kondisi sosial, ekonomi, dan akses Kesehatan antara suku asli Papua (OAP) dan non-Papua menimbulkan variasi risiko penyakit jantung. Penelitian ini bertujuan untuk mengklasifikasikan pasien berdasarkan tingkat risiko penyakit jantung menggunakan algoritma Random Forest. Data sebanyak 400 pasien diperoleh dari Rumah Sakit Provinsi Papua Barat, terdiri dari 200 pasien OAP dan 200 pasien non-OAP. Klasifikasi dibagi dalam tiga kategori: Sangat Berisiko, Berisiko, dan Kurang Berisiko, yang ditentukan berdasarkan enam tingkatan penyakit penyerta. Hasil evaluasi menunjukkan bahwa model Random Forest memiliki akurasi tinggi sebesar 99,16%, dengan precision dan recall mencapai 100% untuk kelas Sangat Berisiko dan Kurang Berisiko, serta 98,55% untuk kelas Berisiko. Temuan ini menunjukkan bahwa Random Forest mampu mengklasifikasikan pasien secara efektif dan dapat digunakan sebagai dasar dalam perumusan strategi pencegahan penyakit jantung yang lebih tepat sasaran. Penelitian ini juga memberikan gambaran penting mengenai perbedaan risiko antara suku OAP dan non-OAP, serta mendukung pengembangan kebijakan kesehatan yang lebih inklusif dan berbasis data.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Ubaidillah, M., & Fatah, Z. (2024). Implementasi RapidMiner pada Klasterisasi Gempa Bumi di Indonesia Berdasarkan Kedalaman Menggunakan K-Means.
Ida, D. S., Safitri, F., Widiyanto, R., & Yuanto, A. P. (2024). Pengetahuan masyarakat tentang penyakit gastritis di wilayah Kelurahan Gedong Jakarta Timur. Jurnal Farmasi IKIFA, 3(1), 137–143.
Haryadi, D., & Atmaja, D. M. U. (2021). Penerapan algoritma K-Means clustering untuk pengelompokan tingkat risiko penyakit jantung. Journal of Informatics and Communications Technology (JICT), 3(2), 51–66.
Wala, J., Herman, & Umar, R. (2024). Implementasi K- Means Clustering pada Pengelompokan Pasien Penyakit Jantung. JISKA (Jurnal Informatika Sunan Kalijaga), 9(3), 205–216
Bela, S. R. A., Djarwoto, B., & Gunawan, I. M. A. (2014). Pola makan suku asli Papua dan non-Papua sebagai faktor risiko kejadian hipertensi. Jurnal Gizi Klinik Indonesia, 10(4), 198–208.
Ubaidilah, R. M., Anugerahwati, Z., Rizky, I. I. M., & Lestari, S. (2023). Prediksi kelulusan mahasiswa berdasarkan data kunjung dan peminjaman buku menggunakan Rapid Miner dengan metode C4.5 dan Random Forest. I-Robot: Jurnal Ilmiah Teknik Elektro, Komputer dan Informatika, 7(2), 14–19.
Utomo, D. P., & Purba, B. (2019). Penerapan datamining pada data gempa bumi terhadap potensi tsunami di Indonesia. Prosiding Seminar Nasional Riset Information Science (SENARIS), 2019(September), 846–853. [8] Hidayat, A., & Al Fatta, H. (2023). Klasifikasi Penyakit Jantung Menggunakan Random Forest Classifier. Jurnal Sistem Komputer dan Kecerdasan Buatan, 2(1), 34–41.
Rahmada, A., & Susanto, E. R. (2024). Peningkatan Akurasi Prediksi Penyakit Jantung dengan Teknik SMOTEENN pada Algoritma Random Forest. Jurnal Penelitian Teknologi dan Informatika (JPTI), 5(2), 88–97.
Jupron, & Sutrisno. (2025). Analysis of Heart Disease Using the Random Forest Method. Jurnal Ilmiah Teknologi dan
Informatika, 7(1), 12–19.
Rahim, A. M., Pratiwi, I. Y. R., & Fikri, M. A. (2023). Klasifikasi Penyakit Jantung Menggunakan Metode Synthetic Minority Over-Sampling Technique dan Random Forest Classifier. Jurnal Ilmiah Teknologi Informasi Asia, 11(2), 102–110.
Depari, D. H., Widiastiwi, Y., & Santoni, M. M. (2022). Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung. Jurnal Informatika UPN Veteran Jakarta, 7(1), 77–84..