Prediksi Kelangsungan Hidup Pada Pasien Gagal Jantung Menggunakan Metode Random Forest

Prediksi Kelangsungan Hidup Pada Pasien Gagal Jantung Menggunakan Metode Random Forest

• By Yuliani, Yuri;
• Tesis
• 250
• 1-51

Penyakit kardiovaskular menjadi penyebab kematian nomor 1 di dunia, yang memperkirakan 17,9 juta orang meninggal di tahun 2016, mewakili 31% dari semua kematian global. Gagal jantung menjadi permasalahan utama pada kesehatan di seluruh dunia, oleh karena itu, deteksi untuk kelangsungan hidup pasien penderita gagal jantung sangat diperlukan, agar dapat menanggulangi kelangsungan hidup pasien. Penelitian ini bertujuan untuk mengimplementasikan Particle Swarm Optimization (PSO) dalam pemilihan atribut pada algoritma random forest agar dapat menghasilkan akurasi dan prediksi yang tinggi dalam memprediksi kelangsungan hidup pasien penderita gagal jantung. Hasil penelitian yang diperoleh, akurasi dari penggunaan algoritma random forest sebesar 91,67% dengan AUC yang bernilai 0,75, sedangkan akurasi algoritma random forest menggunakan seleksi atribut PSO sebesar 93,33% dengan AUC yang bernilai 0,86, sehingga didapat selisih peningkatan akurasi sebesar 1,66% dan AUC 0,11. Berdasarkan penelitian tersebut, dapat disimpulkan bahwa penerapan teknik optimasi particle swarm optimization mampu menyeleksi atribut pada algoritma random forest, sehingga  menghasilkan tingkat akurasi diagnosis yang lebih baik dibandingkan dengan menggunakan metode individual algoritma random forest.

• Katakunci Gagal Jantung, Random Forest, Particle Swarm Optimization
• URL http://
• Penerbit ,

REFERENSI

[1]      M. Martiningsih and A. Haris, “Risiko Penyakit Kardiovaskuler Pada Peserta Program Pengelolaan Penyakit Kronis (Prolanis) Di Puskesmas Kota Bima: Korelasinya Dengan Ankle Brachial Index Dan Obesitas,” J. Keperawatan Indones., vol. 22, no. 3, pp. 200–208, 2019, doi: 10.7454/jki.v22i3.880.

[2]      P. D. dan I. Kementerian Kesehatan RI, Situasi Kesehatan Jantung ; Mari Menuju Masa Muda Sehat, Hari Tua Nikmat Tanpa PTM dengan Perilaku Cerdik. Pusat Data dan Informasi Kementrian Kesehatan, 2014.

[3]      P. Rossignol, A. F. Hernandez, S. D. Solomon, and F. Zannad, “Heart failure drug treatment,” Lancet, vol. 393, no. 10175, pp. 1034–1044, 2019, doi: 10.1016/S0140-6736(18)31808-7.

[4]      D. Prihatiningsih and T. Sudyasih, “Perawatan Diri Pada Pasien Gagal Jantung,” J. Pendidik. Keperawatan Indones., vol. 4, no. 2, 2018, doi: 10.17509/jpki.v4i2.13443.

[5]      A. N. Akhmad, “Kualitas hidup pasien Gagal Jantung Kongestif (GJK) Berdasarkan karakteristik Demografi,” J. Keperawatan Soedirman, vol. 11, no. 1, p. 27, 2018, doi: 10.20884/1.jks.2016.11.1.629.

[6]      D. Chicco and G. Jurman, “Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone,” BMC Med. Inform. Decis. Mak., vol. 20, no. 1, pp. 1–16, 2020, doi: 10.1186/s12911-020-1023-5.

[7]      “Dataset Heart Failure.” https://www.kaggle.com/andrewmvd/heart-failure-clinical-data.

[8]      M. S. Mustafa, M. R. Ramadhan, and A. P. Thenata, “Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” Creat. Inf. Technol. J., vol. 4, no. 2, p. 151, 2018, doi: 10.24076/citec.2017v4i2.106.

[9]      E. D. Sikumbang, “Penerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori,” J. Tek. Komput. AMIK BSI, vol. Vol 4, No., no. September, pp. 1–4, 2018.

[10]    A. Saifudin, “Metode Data Mining Untuk Seleksi Calon Mahasiswa,” vol. 10, no. 1, pp. 25–36, 2018.

[11]    A. Fitri Boy, “Implementasi Data Mining Dalam Memprediksi Harga Crude Palm Oil (CPO) Pasar Domestik Menggunakan Algoritma Regresi Linier Berganda (Studi Kasus Dinas Perkebunan Provinsi Sumatera Utara),” J. Sci. Soc. Res., vol. 4307, no. 2, pp. 78–85, 2020, [Online]. Available: http://jurnal.goretanpena.com/index.php/JSSR.

[12]    H. D. Wijaya and S. Dwiasnati, “Implementasi Data Mining dengan Algoritma Naïve Bayes pada Penjualan Obat,” J. Inform., vol. 7, no. 1, pp. 1–7, 2020, doi: 10.31311/ji.v7i1.6203.

[13]    M. G. Sadewo, A. Eriza, A. P. Windarto, and D. Hartama, “Algoritma K-Means Dalam Mengelompokkan Desa / Kelurahan Menurut Keberadaan Keluarga Pengguna Listrik dan Sumber Penerangan Jalan Utama Berdasarkan Provinsi,” Semin. Nas. Teknol. Komput. Sains SAINTEKS 2019, pp. 754–761, 2019.

[14]    D. S. O. Panggabean, E. Buulolo, and N. Silalahi, “Penerapan Data Mining Untuk Memprediksi Pemesanan Bibit Pohon Dengan Regresi Linear Berganda,” JURIKOM (Jurnal Ris. Komputer), vol. 7, no. 1, p. 56, 2020, doi: 10.30865/jurikom.v7i1.1947.

[15]    N. Bayes, “Implementasi Data Mining Dengan Algoritma Naive Bayes Untuk Memprediksi Angka Kelahiran,” J. Pelita Inform., vol. 7, no. 3, pp. 421–428, 2019.

[16]    R. Annisa, “Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Penderita Penyakit Jantung,” J. Tek. Inform. Kaputama, vol. 3, no. 1, pp. 22–28, 2019, [Online]. Available: https://jurnal.kaputama.ac.id/index.php/JTIK/article/view/141/156.

[17]    T. I. Hermanto and M. A. Sunandar, “Analisis Data Sebaran Penyakit Menggunakan Algoritma Density Based Spatial Clustering Of Applications With Noise,” J. Sains Komput. dan Teknol. Inf., vol. 3, no. 1, pp. 104–110, 2020, doi: 10.33084/jsakti.v3i1.1775.

[18]    I. Marzuki and T. Prihatiningsih, “Prediksi Kelayakan Ekonomi Pada Pengolahan Limbah Cair Tahu di CV . Proma Tun Saroyyan Probolinggo,” vol. 5, no. 2, pp. 1–8, 2020.

[19]    J. Eska, “Penerapan Data Mining Untuk Prediksi Penjualan Wallpaper Menggunakan Algoritma C4.5,” vol. 3, pp. 84–93, 2018, doi: 10.31227/osf.io/x6svc.

[20]    H. Kurniawan and S. Defit, “Data Mining Menggunakan Metode K-Means Clustering Untuk Menentukan Besaran Uang Kuliah Tunggal,” vol. 1, no. 2, pp. 80–89, 2020.

[21]    D. Gusrion, “Application of Calculation of Ranking Funding Officer at the Bank ( Aplikasi Perhitungan Rangking Funding Officer Pada Bank ),” vol. 7, no. 1, pp. 133–139, 2020.

[22]    M. Defriani and I. Jaelani, “Algoritma J48 dan Logistic Model Tree Untuk Memprediksi Predikat Kelulusan Mahasiswa: Studi Kasus stt xyz,” vol. 3, 2020.

[23]    F. Johan and S. A. Armono, “Pemanfaatan Algoritma C4.5 Untuk Menentukan Bonus Tahunan Pada Toko Umano Vero,” vol. 02, pp. 1–5, 2020.

[24]    R. Desrianti and H. D. Wijaya, “Implementasi Algoritma Fuzzy C-Means Pada Aplikasi Seleksi Karyawan Digital Talent di PT Telekomunikasi Indonesia,” vol. 4, pp. 879–888, 2020, doi: 10.30865/mib.v4i4.2267.

[25]    Y. P. Sari, A. Primajaya, A. Susilo, and Y. Irawan, “Implementasi Algoritma K-Means untuk Clustering Penyebaran Tuberkulosis di Kabupaten Karawang,” pp. 229–239, 2020.

[26]    Y. Suhanda, I. Kurniati, and S. Norma, “Penerapan Metode Crisp-DM dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik,” J. Teknol. Inform. dan Komput. MH Thamrin, vol. 6, no. 2, pp. 12–20, 2020.

[27]    F. S. Alvian and S. Carbini, “Nasabah Dengan metode Klasifikasi Data Mining ( Studi Kasus : Bank XYZ ),” vol. 14, no. 2, pp. 123–128, 2020.

[28]    I. Yulianti et al., “Optimasi Akurasi Algoritma C4 . 5 Berbasis Particle Swarm Optimization dengan Teknik Bagging pada Prediksi Penyakit Ginjal Kronis,” vol. 19, no. 4, pp. 411–421, 2020.

[29]    Nafisah Nurul Hakim, “Implementasi Machine Learning pada Sistem Prediksi Kejadian dan Lokasi Patah Rel Kereta Api di Indonesia,” J. Sist. Cerdas, vol. 3, no. 1, pp. 25–35, 2020, doi: 10.37396/jsc.v3i1.58.

[30]    A. A.-F. Nur Wahyudin, A. Primajaya, and A. S. Y. Irawan, “Penerapan Algoritma Regresi Linear Berganda Pada Estimasi Penjualan Mobil Astra Isuzu,” Techno.Com, vol. 19, no. 4, pp. 364–374, 2020, doi: 10.33633/tc.v19i4.3834.

[31]    S. Amri, “Perbandingan Kerangka Model Klasifikasi untuk Pemilihan Metode Kontrasepsi dengan Pendekatan CRIPS-DM,” vol. 1, no. 1, pp. 14–23, 2020.

[32]    I. SUGIYARTO and W. GATA, “Perbandingan Kinerja Algoritma Data Mining Prediksi Persetujuan Kartu Kredit,” vol. 12, no. 3, pp. 180–192, 2019.

[33]    D. Fabris, T. Saito, T. Yamada, X. Sun, P. Wilhite, and C. Y. Yang, “Current capacity and thermal transport in carbon nanofiber interconnects,” 4th IEEE Int. Conf. Nano/Micro Eng. Mol. Syst. NEMS 2009, pp. 848–853, 2009, doi: 10.1109/NEMS.2009.5068708.

[34]    L. Ratnawati and D. R. Sulistyaningrum, “Penerapan Random Forest untuk Mengukur Tingkat Keparahan Penyakit pada Daun Apel,” vol. 8, no. 2, pp. A71–A77, 2019.

[35]    M. A. As Sarofi, I. Irhamah, and A. Mukarromah, “Identifikasi Genre Musik dengan Menggunakan Metode Random Forest,” J. Sains dan Seni ITS, vol. 9, no. 1, pp. 79–86, 2020, doi: 10.12962/j23373520.v9i1.51311.

[36]    R. Leonardo, J. Pratama, and C. Chrisnatalis, “Perbandingan Metode Random Forest Dan Naïve Bayes Dalam Prediksi Keberhasilan Klien Telemarketing,” J. Teknol. Dan Ilmu Komput. Prima, vol. 3, no. 2, pp. 1–5, 2020.

[37]    Y. E. Achyani, “Penerapan Metode Particle Swarm Optimization Pada Optimasi Prediksi Pemasaran Langsung,” J. Inform., vol. 5, no. 1, pp. 1–11, 2018, doi: 10.31311/ji.v5i1.2736.

[38]    A. D. R. Prabowo and M. Muljono, “Prediksi Nasabah Yang Berpotensi Membuka Simpanan Deposito Menggunakan Naive Bayes Berbasis Particle Swarm Optimization,” Techno.Com, vol. 17, no. 2, pp. 208–219, 2018, doi: 10.33633/tc.v17i2.1648.

[39]    F. A. Aziz, R. F. Malik, A. P. P. Prasteyo, F. I. Komputer, and U. Sriwijaya, “Estimasi Posisi Objek Menggunakan Particle Swarm Optimization dan K – Nearest Neighbour,” pp. 29–33, 2019.

[40]    A. Setiawan, L. W. Santoso, and R. Adipranata, “Penerapan Algoritma Particle Swarm Optimization ( PSO ) untuk Optimisasi Pembangunan Negara dalam Turn Based Strategy Game,” 2019.

[41]    D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.

[42]    E. Ermawati, “Algoritma Klasifikasi C4.5 Berbasis Particle Swarm Optimization Untuk Prediksi Penerima Bantuan Pangan Non Tunai,” Sistemasi, vol. 8, no. 3, p. 513, 2019, doi: 10.32520/stmsi.v8i3.576.

[43]    A. Y. Permana, Ismasari, and M. M. Effendi, “Optimasi Stemming Porter KBBI dan Cross Validation Na ̈ıve Bayesuntuk Klasifikasi Topik SoalUN (Ujian Nasional) Bahasa Indonesia.” .

[44]    L. A. Utami, “Melalui Komparasi Algoritma Support Vector Machine Dan K-Nearest Neighbor Berbasis Particle Swarm Optimization,” vol. 13, no. 1, pp. 103–112, 2017.

[45]    C. Sammut and G. I. Webb, Encyclopedia of Machine Learning and Data Mining. New York: Springer Science + Business Media New York, 2017.

[46]    T. Ahmad et al., “Machine learning methods improve prognostication, identify clinically distinct phenotypes, and detect heterogeneity in response to therapy in a large cohort of heart failure patients,” J. Am. Heart Assoc., vol. 7, no. 8, pp. 1–14, 2018, doi: 10.1161/JAHA.117.008081.

[47]    M. Panahiazar, V. Taslimitehrani, N. Pereira, and J. Pathak, “Using EHRs and Machine Learning for Heart Failure Survival Analysis,” Stud. Health Technol. Inform., vol. 216, pp. 40–44, 2015, doi: 10.3233/978-1-61499-564-7-40.

[48]    P. C. Austin, J. V. Tu, J. E. Ho, D. Levy, and D. S. Lee, “Using methods from the data-mining and machine-learning literature for disease classification and prediction: A case study examining classification of heart failure subtypes,” J. Clin. Epidemiol., vol. 66, no. 4, pp. 398–407, 2013, doi: 10.1016/j.jclinepi.2012.11.008.

[49]      “Kaggle.” https://www.kaggle.com/c/oprecristekds.