PENERAPAN DECISION TREE DENGAN PENYEIMBANGAN DATA IMBALANCE MENGGUNAKAN UPSAMPLING DALAM PREDIKSI PENYAKIT LIVER
DOI:
https://doi.org/10.33480/inti.v19i2.6369Kata Kunci:
classification, decision tree, imbalance data, liver diseaseAbstrak
Acute liver disease has a significant impact on liver function and is often only detected at an advanced stage due to the lack of patient awareness for early examination. One of the challenges in treating liver disease is the delay in diagnosis, where many patients do not notice the early symptoms until their condition has worsened. Therefore, a predictive system is needed that can identify liver disease patients early on, allowing for regular check-ups and timely treatment. In this study, a classification model was developed using a machine learning approach, specifically the Decision Tree algorithm, by balancing the data in the minority class through upsampling. The research results show that this model is capable of predicting liver disease status with an accuracy rate of 89.22%, a recall of 88.45%, a precision of 83.21%, and an f1-score of 85.78%. In addition, the ROC-AUC value of 0.89 is categorized as a good classification. This model achieved a higher accuracy score than other studies with similar datasets. This system is expected to help improve early detection and expedite the treatment of liver disease patients.
Unduhan
Referensi
Aldana, S., & Wibowo, J. S. (2024). Penerapan Data Mining Terhadap Klasifikasi Pasien Penderita Penyakit Liver Menggunakan Metode K-Nearest Neighbor. Progresif: Jurnal Ilmiah Komputer, 20(1), 124–132. https://doi.org/10.35889/progresif.v20i1.1376
Armaya, A. M. R. (2024). Pengaruh Feature Selection Dan Feature Extraction Dalam Peningkatan Akurasi Klasifikasi Kebakaran Hutan. JuTI “Jurnal Teknologi Informasi,” 3(1), 13. https://doi.org/10.26798/juti.v3i1.1039
Cahyanti, F. L. D., Sarasati, F., Astuti, W., & Firasari, E. (2023). Klasifikasi Data Mining Dengan Algoritma Machine Larning Untuk Prediksi Penyakit Liver. Technologia, 14(2), 134. https://doi.org/10.31602/tji.v14i2.10093
Cahyanto, H. N., Zulkarnain, O., & Rahagia, R. (2024). Pengembangan Deteksi Dini Dan Asuhan Keperawatan Pada Kanker Menggunakan Artificial Intelligence (AI) Berbasis Web. Prepotif : Jurnal Kesehatan Masyarakat, 8. https://doi.org/10.31004/prepotif.v8i3.34374
Desiani, A. (2022). Perbandingan Implementasi Algoritma Naïve Bayes dan K-Nearest Neighbor Pada Klasifikasi Penyakit Hati. SIMKOM, 7(2), 104–110. https://doi.org/10.51717/simkom.v7i2.96
Dhimas Irnawan, F., Hidayah, I., & Nugroho, L. E. (2021). Metode Imputasi pada Data Debit Daerah Aliran Sungai Opak, Provinsi DI Yogyakarta. In Jurnal Nasional Teknik Elektro dan Teknologi Informasi | (Vol. 10, Issue 4). https://doi.org/10.22146/jnteti.v10i4.2430
Dritsas, E., & Trigka, M. (2023). Supervised Machine Learning Models for Liver Disease Risk Prediction. Computers, 12(1), 19. https://doi.org/10.3390/computers12010019
Fadri, W. (2023). Jurnal Informasi dan Teknologi Klasifikasi Penyakit Hati dengan Menggunakan Metode Naive Bayes. Jurnal Informasi Dan Teknologi, 5(1), 32–37. https://doi.org/10.37034/jidt.v5i1.230
Firmansyah, Y., Kurniawan, R., & Wijaya, Y. A. (2024). Analisis Data Sentimen Pemain Game Role-Playing Game (RPG) Honkai Star Rail dengan Algoritma Naive Bayes. Jurnal Informatika Dan Rekayasa Perangkat Lunak, 6(1). https://doi.org/10.36499/jinrpl.v6i1.10243
Ghalib, F., & Wasilah, W. (2023). Deteksi Dini Kanker Payudara Menggunakan Algoritma K-Nearest Neighbour (KNN) dan Decision Tree C-45. TEKNIKA, 17(2), 1–5. https://doi.org/10.5281/zenodo.8412264
He, H. (2023). Research and Application of Different Machine Learning Algorithms in ILPD Risk Prediction Model. 2023 IEEE 3rd International Conference on Electronic Technology, Communication and Information (ICETCI), 1330–1334. https://doi.org/10.1109/ICETCI57876.2023.10176951
Hidayat, R., Haris, M., & Simbolon, Z. K. (2024). Implementasi Metode Support Vector Machine (SVM) Pada Klasifikasi Drop Out (DO) Mahasiswa.
Jeyalakshmi, K., & Rangaraj, R. (2021). Accurate Liver Disease Prediction System using Convolutional Neural Network. Indian Journal of Science and Technology, 14(17), 1406–1421. https://doi.org/10.17485/IJST/v14i17.451
Karnadi, B., & Handhayani, T. (2024). Klasifikasi Jenis Buah dengan Menggunakan Metode MobileNetv2 dan Inceptionv3. Jurnal Eksplora Informatika, 14(1), 35–42. https://doi.org/10.30864/eksplora.v14i1.1067
Nasrullah, A. H. (2021). Implementasi Algoritma Decision Tree Untuk Klasifikasi Produk Laris. Jurnal Ilmiah Ilmu Komputer, 7(2). https://doi.org/10.35329/jiik.v7i2.203
Normawati, D., & Prayogi, S. A. (2021). Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter. In Jurnal Sains Komputer & Informatika (J-SAKTI (Vol. 5, Issue 2).
Prasetyo, M. A., Zyen, A. K., & Kusumodestoni, R. H. (2024). Optimasi Algoritma Naive Bayes Berbasis Kernel Untuk Klasifikasi Penyakit Hati. Jurnal Informatika Teknologi Dan Sains, 6(3). https://doi.org/10.51401/jinteks.v6i3.4783
Qadrini, L., Seppewali, A., & Aina, A. (2021). Decision Tree Dan Adaboost Pada Klasifikasi Penerima Program Bantuan Sosial. Jurnal Inovasi Pendidikan, 7(2), 1959–1966. https://doi.org/10.47492/jip.v2i7.1046
Raharja, A. R., Pramudianto, A., & Muchsam, Y. (2024). Penerapan Algoritma Decision Tree dalam Klasifikasi Data “Framingham” Untuk Menunjukkan Risiko Seseorang Terkena Penyakit Jantung dalam 10 Tahun Mendatang. Technologia Journal, 1. https://doi.org/10.62872/cwgzp962
Rina, R., Hasan, P. M., Ayu, N., & Adi Saputra, R. (2024). Klasifikasi Keringanan Ukt Mahasiswa Uho Menggunakan K-Nearest Neighbor (KNN). Jurnal Mahasiswa Teknik Informatika, 8(6). https://doi.org/10.36040/jati.v8i6.11757
Singgalen, Y. A. (2022). Analisis Sentimen Wisatawan Melalui Data Ulasan Candi Borobudur di Tripadvisor Menggunakan Algoritma Naïve Bayes Classifier. Building of Informatics, Technology and Science (BITS), 4(3). https://doi.org/10.47065/bits.v4i3.2486
UCI Machine Learning, & Crawford, C. (2018). Indian Liver Patient Records. Kaggle. https://www.kaggle.com/datasets/uciml/indian-liver-patient-records
Yunitasari, Hopipah, S. H., & Mayasari, R. (2021). Optimasi Backward Elimination untuk Klasifikasi Kepuasan Pelanggan Menggunakan Algoritme k-Nearest Neighbor (k-NN) dan. Technomedia Journal (TMJ), 6(1), 99–110. https://doi.org/10.33050/tmj.v6i1
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Agung Fazriansyah, Yuris Alkhalifi, Ainun Zumarniansyah
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
Penulis yang menerbitkan jurnal ini menyetujui ketentuan berikut:
1. Penulis memegang hak cipta dan memberikan hak jurnal mengenai publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Creative Commons Attribution 4.0 International License. yang memungkinkan orang lain untuk berbagi karya dengan pengakuan atas karya penulis dan publikasi awal pada jurnal.
2. Penulis dapat memasukkan pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan (misalnya, mengirimkannya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan atas publikasi awalnya pada Jurnal.
3. Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, dalam penyimpanan institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena hal itu dapat menghasilkan pertukaran yang produktif, serta kutipan dari karya yang diterbitkan sebelumnya.
