Penerapan Metode Algoritma C.48 untuk Klasisifikasi Penyakit Diabetes
DOI:
https://doi.org/10.59395/qyzpt451Keywords:
diabetes, klasifikasi, algoritma C4.8, WEKA, machine learning, diagnosis diniAbstract
Penyakit diabetes merupakan salah satu gangguan metabolik kronis yang terus meningkat prevalensinya di berbagai negara, termasuk Indonesia. Deteksi dini diabetes sangat penting untuk mencegah komplikasi jangka panjang, dan salah satu pendekatan yang efektif adalah dengan memanfaatkan algoritma klasifikasi berbasis machine learning. Penelitian ini bertujuan untuk menerapkan algoritma C4.8 dalam mengklasifikasikan penyakit diabetes menggunakan aplikasi WEKA, serta mengevaluasi kinerjanya berdasarkan data medis yang tersedia. Dataset yang digunakan terdiri dari 768 instance dan 9 atribut, termasuk Glukosa, BMI, dan Usia. Hasil pelatihan model menunjukkan tingkat akurasi sebesar 84,11%, sementara pada pengujian menggunakan metode 10-fold cross-validation, akurasi menurun menjadi 73,70%, dengan nilai Kappa sebesar 0,414. Hasil visualisasi data mendukung temuan bahwa atribut Glukosa merupakan variabel paling dominan dalam membedakan kelas, diikuti oleh BMI dan Usia, sedangkan atribut seperti Tekanan Darah dan Ketebalan Kulit kurang memberikan kontribusi signifikan secara individual. Temuan ini menunjukkan bahwa algoritma C4.8 mampu digunakan sebagai dasar dalam sistem pendukung keputusan untuk diagnosis awal diabetes, meskipun masih terdapat ruang untuk peningkatan performa model melalui teknik lanjutan.
Downloads
References
[1] J. Kesehatan, P. Administras, R. S. Fakultas, K. Teknologi, and U. Bumi, “MODEL KLASIFIKASI PENYAKIT DIABETES MENGGUNAKAN,” vol. 4, pp. 8–12, 2025.
[2] F. B. Bahtiarullah, A. Homaidi, and F. Santoso, “Perbandingan Performa Algoritma Klasifikasi C4.5 Dan Naïve Bayes Untuk Prediksi Diagnosa Penyakit Diabetes,” E-Link J. Tek. Elektro dan Inform., vol. 19, no. 2, p. 155, 2024, doi: 10.30587/e-link.v19i2.8137.
[3] R. P. Fadhillah, R. Rahma, A. Sepharni, R. Mufidah, B. N. Sari, and A. Pangestu, “Klasifikasi Penyakit Diabetes Mellitus Berdasarkan Faktor-Faktor Penyebab Diabetes menggunakan Algoritma C4.5,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 4, pp. 1265–1270, 2022, doi: 10.29100/jipi.v7i4.3248.
[4] N. Nurussakinah, M. Faisal, and I. B. Santoso, “Algoritma Random Forest dan Synthetic Minority Oversampling Technique (SMOTE) untuk Deteksi Diabetes,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 10, no. 2, pp. 221–234, 2025, doi: 10.14421/jiska.2025.10.2.221-234.
[5] M. F. Aditya, A. Pramuntadi, D. P. Wijaya, and Y. Wicaksono, “Implementasi Metode Decision Tree pada Prediksi Penyakit Diabetes Melitus Tipe 2,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 3, pp. 1104–1110, 2024, doi: 10.57152/malcom.v4i3.1284.
[6] Y. Nuryamin and F. Risyda, “JSI (Jurnal Sistem Informasi) Universitas Dirgantara Marsekal Suryadarma Analisis Prediksi Penyakit Diabetes Menggunakan Metode Decision Tree C4.5 Dan Naive Bayes,” vol. 5, pp. 234–242, 2025, [Online]. Available: https://www.kaggle.com/code/melikedilekci/diabetes-dataset-for-beginners
[7] Yennimar, W. Leonardi, H. Weide, D. Cantona, and Gani Mores Hutagalung, “Comparison of data mining algorithms (random forest, C4.5, catboost) based on adaptive boosting in predicting diabetes mellitus,” J. Tek. Inform. C.I.T Medicom, vol. 16, no. 3, pp. 01–12, 2024, [Online]. Available: www.medikom.iocspublisher.orgjournalhomepage:www.medikom.iocspublisher.org
[8] P. Nopedi and A. Saifudin, “Optimasi Decision Tree Menggunakan Teknik Boosting pada Prediksi Penyakit Diabetes,” J. Inform. Univ. Pamulang, vol. 8, no. 3, pp. 465–474, 2023, doi: 10.32493/informatika.v8i3.35226.
[9] R. Komarudin, P. V. B. Yudha, Y. I. Maulana, N. Afni, A. Salim, and I. Carolina, “Penerapan Metode Algoritma C4.5 Dalam Klasifikasi Diagnosa Penyakit Umum Menggunakan WEKA,” Bianglala Inform., vol. 9, no. 2, pp. 95–102, 2021, doi: 10.31294/bi.v9i2.11537.
[10] Z. D. R. Sari, J. Jasmir, and Y. Arvita, “Penerapan Data Mining Untuk Prediksi Penyakit Diabetes Jurnal Informatika Dan Rekayasa Komputer ( JAKAKOM ),” J. Inform. Dan Rekayasa Komput., vol. 4, no. April, pp. 827–834, 2024.
[11] Hendriyana and I. M. K. Karo, “Klasifikasi Penderita Diabetes Menggunakan AlgoritmaMachine Learning Dan Z-Score,” J. Teknol. Terpadu, vol. 8, no. 2, pp. 94–99, 2022.
[12] Jupron and Sutrisno, “Analysis of Heart Disease Using the Random Forest Method,” J. Inotera, vol. 10, no. 1, pp. 167–174, 2025, doi: 10.31572/inotera.vol10.iss1.2025.id452.
[13] S. Sutrisno and Jupron, “Analisa Klasifikasi Penyakit Diabetes Dengan Algoritma Neural Network,” bit-Tech, vol. 6, no. 3, pp. 303–310, 2024, doi: 10.32877/bt.v6i3.1161.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Donna Oktar Endras Wanto
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.