Optimasi Akurasi Algoritma C4.5 Berbasis Particle Swarm Optimization dengan Teknik Bagging pada Prediksi Penyakit Ginjal Kronis
DOI:
https://doi.org/10.33633/tc.v19i4.3579Keywords:
Algoritma C4.5, PSO, Bagging, Ginjal, Penyakit Ginjal KronisAbstract
Penyakit Ginjal Kronis merupakan penyakit dengan tingkat pengeluaran biaya terbesar di dunia. Penyakit tersebut sering kali tidak menunjukkan adanya gejala yang terjadi seperti penyakit pada umumnya. Oleh karena itu, penelitian ini dilakukan dengan tujuan agar dapat mendeteksi dini penyakit tersebut sebelum didiagnosis ke tahap yang lebih serius. Penerapan model algoritma C4.5 individual dan algoritma C4.5 berbasis PSO dengan teknik bagging dilakukan guna mengetahui model mana yang memberikan hasil terbaik dalam mendeteksi penyakit ginjal kronis. Pemilihan kedua model tersebut dipertimbangkan karena algoritma C4.5 merupakan salah satu algoritma terbaik data mining, namun cenderung memiliki kelemahan pada data yang overlap, kelas dan atribut yang banyak. Maka dari itu, teknik optimasi Particle Swarm Optimization (PSO) dan teknik bagging juga dipilih sebagai alternatif dalam mengatasi kelemahan yang ada dalam algoritma C4.5. Dari hasil penelitian diperoleh bahwa model algoritma C4.5 berbasis PSO dengan teknik bagging mampu menyeleksi atribut sehingga dapat meningkatkan nilai akurasi yang lebih baik dengan hasil sebesar 99,70% dibandingkan dengan model individual algoritma C4.5 yang menghasilkan nilai akurasi sebesar 91,72% saja.References
A. Hamidi and K. Kusnadi, “Sistem Pakar Untuk Mendiagnosa Penyakit Gagal Ginjal,” J. Digit, vol. 4, no. 2, pp. 149–160, 2014.
H. Amalia, “Perbandingan Metode Data Mining Svm Dan Nn Untuk Klasifikasi Penyakit Ginjal Kronis,” J. Pilar Nusa Mandiri, vol. 14, no. 1, pp. 1–6, 2018, doi: https://doi.org/10.33480/pilar.v14i1.80.
F. A. Tarigan, “Sistem Pakar Untuk Mendiagnosa Penyakit Ginjal dengan Metode Backward Chaining,” J. TIMES, vol. III, no. 2, pp. 25–29, 2014.
Kementerian Kesehatan RI, Riset Kesehatan Dasar. Jakarta: Badan Penelitian dan Pengembangan Kesehatan Kementerian Kesehatan RI, 2013.
Pusat Data dan Informasi Kementerian Kesehatan RI, Situasi Penyakit Ginjal Kronik di Indonesia. Jakarta: Pusat Data dan Informasi Kementerian Kesehatan RI, 2017.
Parul Sinha and Poonam Sinha, “Comparative Study of Chronic Kidney Disease Prediction using KNN and SVM,” Int. J. Eng. Res., vol. V4, no. 12, pp. 608–612, 2015, doi: 10.17577/ijertv4is120622.
B. V. Ravindra, N. Sriraam, and M. Geetha, “Classification of nonchronic and chronic kidney disease using SVM neural networks,” Int. J. Eng. Technol., vol. 7, no. 1, pp. 191–194, 2018, doi: 10.14419/ijet.v7i1.3.10669.
R. Rianto and N. M. S. Iswari, “Rancang Bangun Aplikasi Pendeteksi Penyakit Ginjal Kronis dengan Menggunakan Algoritma C4.5,” J. Ultim., vol. 9, no. 1, pp. 10–18, 2017, doi: 10.31937/ti.v9i1.558.
P. M. Hasugian, “Pengujian algoritma c 4.5 dengan aplikasi weka dalam pembentukan pohon keputusan,” J. Matik Penusa, vol. 22, no. 1, pp. 7–10, 2018.
R. S. Rohman, R. A. Saputra, and D. A. Firmansaha, “Komparasi algoritma c4.5 berbasis pso dan ga untuk diagnosa penyakit stroke,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 1, pp. 155–161, 2020.
R. A. Zuama and I. A. Sobari, “Neural Network Optimization With Particle Swarm Optimization and Bagging Methods on Classification of Single Pap Smear Image Cells,” J. Pilar Nusa Mandiri, vol. 16, no. 1, pp. 129–134, 2020, doi: 10.33480/pilar.v16i1.1308.
T. Arifin, “Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear,” J. Inform., vol. 4, no. 2, pp. 155–162, 2017, doi: 10.31311/JI.V4I2.2129.
Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2017.
D. Nofriansyah, Konsep Data Mining VS Sistem Pendukung Keputusan. Yogyakarta: Deepublish, 2014.
Kusrini and E. T. Luthfi, Algoritma Data Mining. Yogyakarta: CV. Andi Offset, 2009.
D. T. Larose and C. D. Larose, Discovering Knowledge In Data: An Introduction To Data Mining-Second Edition (2nd Ed.). New Jersey: John Wiley & Sons, Inc, 2014.
M. Yusa, E. Utami, and E. Luthfi. Taufiq, “Evaluasi Performa Algoritma Klasifikasi Decision Tree Id3 ,” InfoSys J., vol. 4, no. 1, pp. 23–34, 2016.
E. H. Hasibuan, H. Mawengkang, and S. Efendi, “Optimization Of Feature Weight TheVoting Feature Intervals 5 Algorithm Using Partical Swarm Optimization Algorithm Optimization Of Feature Weight TheVoting Feature Intervals 5 Algorithm Using Partical Swarm Optimization Algorithm.”
L. A. Utami, “Melalui Komparasi Algoritma Support Vector Machine Dan K-Nearest Neighbor Berbasis Particle Swarm Optimization,” J. Pilar Nusa Mandiri, vol. 13, no. 1, pp. 103–112, 2017.
I. H. Laradji, M. Alshayeb, and L. Ghouti, “Software defect prediction using ensemble learning on selected features,” Inf. Softw. Technol., vol. 58, pp. 388–402, 2015, doi: 10.1016/j.infsof.2014.07.005.
R. S. Wahono and N. Suryana, “Combining particle swarm optimization based feature selection and bagging technique for software defect prediction,” Int. J. Softw. Eng. its Appl., vol. 7, no. 5, pp. 153–166, 2013, doi: 10.14257/ijseia.2013.7.5.16.
X. Y. Liu and Z. H. Zhou, Ensemble methods for class imbalance learning. 2013.
Downloads
Published
Issue
Section
License
Copyright (c) 2020 Ita Yulianti, Muhammad Sukrisno Mardiyanto, Rizal Amegia Saputra, Ami Rahmawati

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
License Terms
All articles published in Techno.COM Journal are licensed under the Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0). This means:
1. Attribution
Readers and users are free to:
-
Share – Copy and redistribute the material in any medium or format.
-
Adapt – Remix, transform, and build upon the material.
As long as proper credit is given to the original work by citing the author(s) and the journal.
2. Non-Commercial Use
-
The material cannot be used for commercial purposes.
-
Commercial use includes selling the content, using it in commercial advertising, or integrating it into products/services for profit.
3. Rights of Authors
-
Authors retain copyright and grant Techno.COM Journal the right to publish the article.
-
Authors can distribute their work (e.g., in institutional repositories or personal websites) with proper acknowledgment of the journal.
4. No Additional Restrictions
-
The journal cannot apply legal terms or technological measures that restrict others from using the material in ways allowed by the license.
5. Disclaimer
-
The journal is not responsible for how the published content is used by third parties.
-
The opinions expressed in the articles are solely those of the authors.
For more details, visit the Creative Commons License Page:
? https://creativecommons.org/licenses/by-nc/4.0/