PREDIKSI EPIDEMIOLOGI PENYAKIT TIDAK MENULAR MENGGUNAKAN ALGORITMA RANDOM FOREST PADA PUSKESMAS
Main Article Content
Abstract
Puskesmas Sekura yang merupakan puskesmas rawat inap dan terletak di kabupaten sambas kecamatan sekura menghadapi tantangan dalam mengurangi angka penderita penyakit tidak menular. Penelitian ini bertujuan mengatasi masalah tersebut dengan menerapkan machine learning untuk proses klasifikasi penyakit berdasarkan data rekam medis. Algoritma yang digunakan pada penelitian kali ialah random forest. Metode yang digunakan adalah Design Science Research (DSR) dengan enam tahap: identifikasi masalah, tujuan solusi, perancangan, pengembangan, demonstrasi, evaluasi, dan komunikasi. Penelitian ini menghasilkan perangkat lunak berbasis web menggunakan framework CodeIgniter dan PHP untuk memudahkan proses prediksi. Dalam penelitian kali ini algoritma random forest dipastikan dapat melakukan prediksi penyakit tidak menular, namun untuk tingkat akurasinya masih sangat rendah. Puskesmas sekura harus menambahkan lebih banyak data pada sistem prediksi ini agar tingkat akurasi menjadi bertambah. Hasil akurasi 27.64% tergolong cukup rendah untuk dapat digunakan dalam prediksi, sistem masih harus dilatih dengan menambahkan dataset yang dibuat dari data rekam medis pasien. Puskesmas sekura masih belum dapat menggunakan sistem prediksi ini secara langsung kelapangan.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright (c) STMIK TIMEReferences
[1] Zebua, R., Gulo, V. E., Purba, I., dan Gulo, M. J. K., 2023, Perubahan Epidemiologi Demam Berdarah Dengue (DBD) di Indonesia Tahun 2017–2021, Jurnal Ilmiah Kesehatan Masyarakat, vol. 2, no. 1, pp. 129-136.
[2] Rahayu, D., Irawan, H., Santoso, P., Susilowati, E., Atmojo, D. S., dan Kristanto, H., 2021, Deteksi Dini Penyakit Tidak Menular Pada Lansia, Jurnal Peduli Masyarakat, vol. 3, no. 1, pp. 91-96.
[3] Oktanisa, I., & Supianto, A. A. (2018). Perbandingan Teknik Klasifikasi Dalam Data Mining Untuk Bank Direct Marketing. Jurnal Teknologi Informasi dan Ilmu Komputer, 5(5), 567-576.
[4] Suswanto, D. (2016). Analisis Perbandingan Metode Machine Learning pada Prediksi Khasiat Jamu.
[5] El Naqa, I., dan Murphy, M. J., 2015, What is Machine Learning?, Springer, New York.
[6] Annisa, R. (2019). Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Penderita Penyakit Jantung. JTIK (Jurnal Teknik Informatika Kaputama), 3(1), 22-28.
[7] Kesuma, M. (2023). Prediksi Penyakit Liver Menggunakan Algoritma Random Forest. Jurnal Informasi dan Komputer, 11(02), 184-189.
[8] Aji, P. W. S., Suprianto, S., & Dijaya, R. (2023). Prediksi Penyakit Stroke Menggunakan Metode Random Forest. Kesatria: Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen), 4(4), 916-924.
[9] Han, J., Kamber, M., dan Tong, H., 2023, Data Mining: Concepts and Techniques (Edisi keempat), Katey Birtcher, Cambridge.
[10] Priantama, Y., dan Siswa, T. A. Y., 2022, Optimasi Correlation-Based Feature Selection Untuk Perbaikan Akurasi Random Forest Classifier Dalam Prediksi Performa Akademik Mahasiswa, Jurnal Informatika dan Komputer, vol. 6, no. 2, pp. 35-50.
[11] Brocke, J., et al., 2020, Accumulation and Evolution of Design Knowledge in Design Science Research - A Journey Through Time and Space, Journal of the Association for Information Systems, vol. 21, no. 3, pp. 520- 544.
[12] Peffers, K., Tuunanen, T., Rothenberger, M. A., dan Chatterjee, S., 2007, A Design Science Research Methodology for Information Systems Research, Journal of Management Information Systems, vol. 24, no. 3, pp. 45-77.
[13] Anggraini, A, R., Oliver, J, 2019, Journal of Chemical Information and Modeling, Vol 53, No 9, pp 1689– 1699.
[14] Pressman, Maxim. 2020. Software Engineering. New York: McGraw-Hill.
[15] Sundaramoorthy. 2022. UML Diagramming A Case Study Approach. New York: Auerbach Publications.
[16] Sugiyono, 2018, Metode Penelitian Kuantitatif, Alfabeta, Bandung