Klasifikasi Penyakit Batu Ginjal Menggunakan Algoritma

Decision Tree C4.5 Dengan Membandingkan Hasil Uji Akurasi

Yuni Widiastiwi1, Iin Ernawati2

1,2
Universitas Pembagunan Nasional Veteran Jakarta
JL. RS. Fatmawati Pondok Labu Jakarta Selatan
E-mail : widiastiwi@[Link].id1, iin_ernawati@yahoo.com2

ABSTRAK

Decision tree merupakan algoritma klasifikasi yang dapat digunakan untuk mengidentifikasi faktor-
faktor dari sebuah kejadian, salah satunya adalah penyakit batu ginjal. Batu ginjal merupakan salah satu
penyakit penyebab terbanyak kelainan pada saluran kemih. Terbentuknya batu ginjal secara garis besar
dipengaruhi oleh faktor intrinsik dan ekstrinsik. Faktor intrinsik adalah faktor yang berasal dari dalam individu
sendiri yaitu umur, jenis kelamin, keturunan, atau riwayat keluarga. Faktor ekstrinsik adalah faktor yang
berasal dari lingkungan luar individu seperti kebiasaan minum dan makan. Penelitian ini dilakukan untuk
mengklasifikasikan dan membandingkan hasil uji akurasi terhadap dataset rekam medis penyakit batu ginjal.
Pendekatan metode penelitian yang dilakukan adalah dengan menggunakan model data mining decision tree
C4.5 untuk melakukan klasifikasi dan mendapatkan hasil akurasi terbaik dengan pendekatan pembagian data
latih dan data uji dengan tiga kategori pendekatan. Hasil yang diharapkan dalam penelitian ini adalah berupa
informasi pembentukan pohon keputusan dan hasil uji akurasi terbaik menggunakan data latih sebanyak 70%
menghasilkan tingkat akurasi sebesar 95,71%.
Kata Kunci : Batu Ginjal, Klasifikasi, Decision Tree, Akurasi

ABSTRACT

The decision tree is one of the classification algorithms that can use to identify factors that cause an
event, one of which is kidney stone disease. Kidney stones are one of the most common causes of urinary tract
disorders. The formation of kidney stones commonly influenced by intrinsic and extrinsic factors. Intrinsic
factors are factors that come from within the individual, namely age, gender, heredity, or family history.
Extrinsic factors are factors that come from the environment outside the individual like drinking and eating
habits. The aim of This study conducted to classify and compare the results of the accuracy-test against a
dataset of kidney stone disease medical records. The research method approach used is to use the decision
tree C4.5. To classify and get the best accuracy results with the training data and test data with three
categories. The results expected in this study are in the form of decision tree formation information also the
best accuracy test results using training data as much as 70% produces an accuracy rate of 95,71%.

Keywords: Kidney Stones, Classification, Decision Tree, Accuracy

1. PENDAHULUAN menghadapi kehidupan dalam

pekerjaan, sehingga dapat berjalan
Kesehatan merupakan salah satu dengan baik dan optimal. Berbagai
hal penting yang menjadi prioritas macam cara dilakukan oleh manusia
utama bagi manusia untuk dapat dalam menjaga kesehatan, namun saat

128 Jurnal IKRA-ITH INFORMATIKA Vol 5 No. 2 JULI 2021

 ini akibat pola hidup yang tidak Hasil akhir yang diharapkan
teratur, tekanan pekerjaan dan stres adalah dengan diketahuinya faktor-
berkepanjangan menyebabkan faktor penyebab suspek batu ginjal
munculnya berbagai penyakit. Secara dapat dilakukan tindakan pencegahan
perlahan namun pasti. untuk menghindari tingginya peluang
Batu ginjal adalah salah satu faktor resiko kejadian terjadi.
jenis penyakit yang berada pada
bagian saluran kemih, penyakit batu 2. METODOLOGI
ini dapat teratasi dengan baik apabila
dapat dideteksi sedini mungkin, oleh Untuk mempermudah pada
karena itu diperlukan pengetahuan tahap pelaksanaan kegiatan penelitian,
yang baik mengenai faktor-faktor dibuatlah sebuah metodelogi yang
penyebab seseorang terkena penyakit mampu mengakomodir kebutuhan dari
munculnya sejenis batu di ginjal, ruang lingkup penelitian yang
karena apabila faktor penyebab dapat dikerjakan, adapun metodologi yang
diidentifikasikan dengan baik maka digunakan dalam desain rencana
tindakan pencegahan akan lebih penelitian tergambar berikut ini :
mudah dilakukan.
Salah satu teknik data mining Mulai
semisal decision tree (pohon
keputusan) dapat digunakan untuk
melakukan klasifikasi terhadap data, Identifikasi masalah

proses pembuatan pohon keputusan

Studi Pustaka
dipengaruhi oleh penentuan atribut Pemecahan
Masalah
Observasi
Akuisisi Data
sebagai node terpilih (Wirdasari,
70:30
2013), dalam penelitian ini metode 80:20
90:10
Praproses

penentuan atribut yang dipilih adalah

dengan menggunakan perhitungan Pembagian Data
Perancangan
Arsitektur Model
gain ratio.
Penelitian ini berusaha untuk Pembentukan Model
Dec Tree
mencari atribut yang penting dalam
pembentukan aturan/ rule dari pohon
Uji Akurasi
keputusan dan juga membandingkan
hasil uji akurasi dengan membuat tiga
skenario pembagian data latih mulai Selesai
dari pembahgian data latih sebesar
70%, 80% dan 90%. Hal ini dilakukan Gambar 1. Metodologi Penelitian
untuk melihat nilai akurasi terbaik
yang dapat dihasilkan. Mengacu pada Gambar 1
Penggunaan algoritma decision terdeskripsikan dengan jelas bahwa
tree saat ini sudah memenuhi pelaksanaan penelitian dikerjakan
kebutuhan untuk dapat memetakan dengan beberapa tahapan penelitian,
faktor-faktor pendukung apa saja, dimana tahapan ini dapat dijadikan
sehingga dapat dikategorikan sebagai panduan dalam mempermudah proses
suspek penyakit batu ginjal pada penelitian.
manusia.

Jurnal IKRA-ITH INFORMATIKA Vol 5 No. 2 JULI 2021 129

 1. Tahapan awal penelitian dimulai 7. Tahap ini merupakan tahapan akhir,
dari identifikasi masalah bahwa dimana dapat terlihat proses hasil
tingkat kejadian orang menderita uji akurasi dari data yang telah
penyakit batu ginjal cukup banyak dilatih berdasarkan model yang
tanpa pengetahuan yang lebih jelas dibuat, untuk melihat hasil akurasi
terkait faktor penyebab munculnya yang terbaik dari skenario
penyakit tersebut. pembagian data latih yang telah
2. Pemecahan masalah didekati ditentukan.
dengan melakukan studi pustaka,
studi literatur, observasi data di 3. LANDASAN TEORI
lapangan dan juga proses akuisisi
data yang dibutuhkan untuk proses 3.1 Data Mining
komputasi menggunakan algoritma Data mining adalah suatu
decision tree. Akusisi dataset algoritma didalam menggali informasi
dilakukan dengan mengambil data berharga yang terpendam atau
hasil rekam medis pasien baik yang tersembunyi pada suatu koleksi data/
suspek batu ginjal maupun yang database yang sangat besar sehingga
tidak. ditemukan suatu pola yang menarik
3. Tahap pra proses merupakan yang sebelumnya tidak diketahui.
tahapan pembersihan data yang Analisa data mining berjalan pada data
tidak lengkap atau pemilihan yang cenderung terus membesar dan
atribut yang tidak dibutuhkan, teknik terbaik yang digunakan
sehingga dapat menghasilkan kemudian berorientasi kepada data
proses klasifikasi data yang lebih berukuran sangat besar untuk
optimal. mendapatkan kesimpulan dan
4. Tahapan pembentukan model keputusan paling layak.
arsitektur decision tree merupakan Data mining memiliki beberapa
tahapan awal desain aplikasi atau sebutan atau nama lain yaitu:
model dari aplikasi data mining Knowledge discovery (mining) in
yang dilakukan, model ini mengacu databases (KDD), ekstraksi
kepada kebutuhan untuk pengetahuan (knowledge extraction),
melakukan klasifikasi dan juga analisa data/pola, kecerdasan bisnis
melihat tingkat akurasi dari model (business intelligence), dll (Elmande
yang dibuat. & Widodo, 2012).
5. Tahap selanjutnya adalah
penentuan pembagian data baik 3.2 Klasifikasi
untuk data latih dan data uji dengan Klasifikasi dapat digambarkan
menggunakan 3(tiga) pendekatan sebagai berikut. Data input, disebut
data latih yaitu 70%, 80% dan 90%. juga training set, terdiri atas banyak
6. Setelah tahap pembuatan model contoh (record), yang masing-masing
arsitektur dan pembagian data telah memiliki beberapa atribut.
selesai, maka tahapan berikutnya Selanjutnya, tiap contoh diberi sebuah
adalah proses komputasi dari model label kelas khusus. Tujuannya untuk
arsitektur yang sudah dibuat, pada menganalisa data input dan
tahap ini terbentuknya pohon mengembangkan deskripsi atau model
keputusan.

130 Jurnal IKRA-ITH INFORMATIKA Vol 5 No. 2 JULI 2021

 akurat untuk tiap class menggunakan 3.3 Algoritma C4.5
fitur-fitur pada data. Algoritma C4.5 Algoritma C4.5
Deskripsi kelas ini digunakan adalah salah satu metode untuk
untuk mengklasifikasikan data membuat pohon keputusan
pengujian lainnya dengan label kelas berdasarkan training data yang telah
yang tidak diketahui. Deskripsi disediakan.
tersebut juga dapat digunakan untuk Beberapa pengembangan yang
memahami tiap kelas dalam data. dilakukan pada C45 antara lain bisa
Aplikasi aplikasi klasifikasi antara lain mengatasi missing value, bisa
berupa persetujuan kredit, target mengatasi data kontinu, dan prunning.
pemasaran, diagnosa medis, Secara umum algoritma C4.5
keefektifan perawatan, lokasi toko, dll dalam membangun pohon keputusan
(Nugraha et al., 2016). mengacu kepada tahapan sebagai
Proses klasifikasi didasarkan berikut:
pada empat komponen (Gorunescu, 1. Pilih atribut sebagai akar.
2011) : 2. Buat cabang untuk tiap-tiap nilai.
1. Kelas Variabel dependen berupa 3. Bagi kasus dalam cabang.
kategori yang merepresentasikan 4. Ulangi proses untuk setiap cabang
“label” yang terdapat pada objek. sampai semua kasus pada cabang
Contohnya: risiko penyakit memiliki kelas yang sama. Untuk
jantung, risiko kredit, dan jenis memilih atribut akar, didasarkan pada
gempa. nilai gain tertinggi dari atribut-atribut
2. Pemprediksi variabel independen yang ada (Elisa, 2017).
yang direpresentasikan oleh
karakteristik (atribut) data.
Contohnya: merokok atau tidak, 4. HASIL DAN PEMBAHASAN
besar tekanan darah, jumlah
tabungan, jumlah aset, jumlah gaji. 4.1 Akuisisi Data
3. Pelatihan dataset Satu set data yang Tahapan awal yang dilakukan
berisi nilai dari kedua komponen di pada proses kegiatan penelitian ini
atas yang digunakan untuk berupa kegiatan akuisisi data. Akusisi
menentukan kelas yang cocok data itu sendiri merupakan sebuah
berdasarkan pemprediksi. kegiatan untuk mengkoleksi data, data
4. Pelatihan dataset Berisi data baru yang dimaksud disini adalah data set
yang akan diklasifikasikan oleh yang dibutuhkan dalam konteks sesuai
model yang telah dibuat dan akurasi dengan topik penelitian yang diangkat.
klasifikasi dievaluasi. Dataset yang diambil berasal dari
Akurasi adalah salah satu metrik sebuah rumah sakit di daerah
untuk mengevaluasi model klasifikasi. Tangerang.
Secara informal, akurasi adalah fraksi Data yang dibutuhkan adalah
prediksi model kita yang benar. Secara berupa kumpulan data rekam medis
formal, akurasi memiliki definisi pasien baik pasien positif batu ginjal
berikut: maupun pasien negatif batu ginjal.
𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟 Data tersebut merupakan data rekam
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = medis pasien batu ginjal yang
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖
terhitung dari tahun 2016-2019, yang

Jurnal IKRA-ITH INFORMATIKA Vol 5 No. 2 JULI 2021 131

 kemudian terkumpul sebanyak 283 4.4 Perancangan Model Pohon
data pasien terdiri atas pasien suspek Keputusan
batu ginjal dan bukan pasien suspek Tahapan perancangan model
batu ginjal, dengan jumlah atribut pohon keputusan dibuat sebagai
sebanyak 18 (delapan belas) atribut. langkah awal dalam menerapkan
komputasi algoritma decision tree,
4.2 Praproses Data model yang dirancang harus dapat
Tahapan praproses data merepresentasikan kebutuhan sistem
merupakan tahapan dalam untuk mampu membentuk prinsip
pembersihan data, karena dataset yang dasar desain model berbasis decision
berasal dari data rekam medis pasien tree, adapaun dalam penelitian ini
masih memiliki data yang tidak desain model arsitektur yang dibuat
lengkap, terdapat missing value adalah sebagai berikut :
ataupun atribut dari data tersebut tidak
relevan dengan kasus yang sedang
dianalisis.
Pada tahap pra proses ini setelah
dilakukan proses identifikasi terdapat
sejumlah data yang memiliki missing
value jumlahnya sebanyak 50 baris
(record) data, sehingga data yang akan
digunakan sebagai dataset menjadi
sebesar 231 data dari keseluruhan data
rekam medik yang telah diakuisisi.
Sedangkan atribut terpilih yang
digunakan mengacu kepada hasil
konsultasi dengan dokter penyakit
dalam hanya sebanyak 12(dua belas) Gambar 2. Arsitektur Model Decision
atribut yang merepresentasikan Tree
munculnya penyakit batu ginjal. Arsitektur model decision tree
yang dibuat pada gambar 2
4.3 Pembagian Data menggunakan 10 node dari inisiasi
Dalam penelitian ini akan awal penyiapan dataset sampai dengan
menggunakan tiga pendekatan proses komputasi algoritmanya,
pembagian jumlah data baik untuk adapun rincian model arsitekturnya
data latih maupun data uji, adapun dapat dijelaskan sebagai berikut :
deskripsi pembagian datanya sebagai 1. Penyiapan dataset merupakan
berikut : tahapan awal dalam desain
Tabel 1. Skenario Pembagian Data aristektur, pada tahap ini dataset
yang telah diakuisisi kemudian
No Pembagian Jumlah Data
dihubungkan untuk dapat diakses
Data
dalam pengolahan data di tahap
Latih Uji Latih Uji berikutnya.
1 70 30 162 69 2. Tahap kedua merupakan tahapan
2 80 20 185 46 dilakukannya praproses, untuk
3 90 10 208 23 menghilangkan baris yang masih

132 Jurnal IKRA-ITH INFORMATIKA Vol 5 No. 2 JULI 2021

 terdapat data yang tidak lengkap,
ataupun menghilangkan kolom
yang memiliki atribut yang tidak
merepresentasikan suspek batu
ginjal.
3. Tahap ketiga merupakan tahapan
pembagian data untuk pelatihan
dan pengujian, pada tahap ini
pemisahan data latih akan
dilakukan sebanyak 3(tiga) kali.
4. Tahap keempat merupakan tahapan
akhir dalam melakukan klasifikasi
dan prediksi, pada tahap ini akan
terbentuk pohon keputusan dan
juga aturan berdasarkan dataset
yang telah dilatih. Pada tahap ini
juga akan terlihat hasil uji akurasi
dari data yang telah diuji.
Gambar 3. Bentuk Pohon
4.5 Pembentukan Pohon Keputusan
Keputusan Pada gambar 3, terlihat pohon
Dalam mengubah data menjadi keputusan yang terbentuk dengan
pohon terlebih dahulu data dinyatakan menggunakan pemangkasan pada
dalam bentuk tabel dengan atribut dan pohon keputusan agar pohon
record. Atribut menyatakan suatu keputusan yang didapatkan lebih
parameter yang dibuat sebagai kriteria sederhana namun memiliki informasi
dalam pembentukan pohon. Dalam yang lebih baik. Pohon keputusan
data sampel tentukan dulu node yang terbentuk menghasilkan
terpilih, yaitu dengan menghitung nilai 4(empat) daun, dengan 4(empat) level
informasi gain masing-masing atribut node dari root yang terbentuk.
untuk menentukan node terpilih,
gunakan nilai informasi gain yang
paling besar (Azmi & Dahria, 2013).
Pembentukan pohon keputusan
pada penelitian ini menggunakan
algoritma data mining C4.5 dimana
untuk pemilihan atribut menggunakan
gain ratio yang memiliki kemampuan
untuk mengurangi bias dari atribut
yang memiliki banyak cabang.
Berdasarkan arsitektur model
pohon keputusan yang telah didesain,
maka pohon keputusan yang terbentuk
dengan menggunakan pemilihan Gambar 4. Pohon Keputusan
atribut berdasarkan gain ratio adalah Sederhana
sebagai berikut ini :

Jurnal IKRA-ITH INFORMATIKA Vol 5 No. 2 JULI 2021 133

 Pohon keputusan yang melihat data yang diperoleh, maka
terbentuk pada gambar 3, dapat dapat dibuat sebuah grafik yang
disederhanakan dalam bentuk pohon memberikan informasi yang lebih
keputusan yang lebih sederhana efektif mengenai perbandingan hasil
seperti terlihat dalam gambar 4, hal ini uji akurasi sebagai berikut :
sangat membantu sekali untuk
mempermudah merepresentasikan
banyaknya aturan yang terbentuk atau
informasi berupa faktor-faktor
penyebab munculnya penyakit batu
ginjal.
Berikut ini merupakan aturan
(rule) yang terbentuk berdasarkan
pohon keputusan yang telah dibuat :
R1: Jika ureum > 35,5 Maka suspek
batu ginjal
R2: Jika ureum ≤ 35,5 Dan kalsium > Gambar 5. Grafik Perbandingan Hasil
10,15 Maka suspek batu ginjal Uji Akurasi
R3: Jika ureum ≤ 35,5 Dan kalsium ≤ Berdasarkan informasi yang
10,15 Dan kreatin > 1,35 Maka didapatkan dari tabel 2 dan gambar 5,
suspek batu ginjal tercermin bahwa akurasi yang terbaik
R4: Jika ureum ≤ 35,5 Dan Kalsium ≤ berasal dari model yang dibuat pada
10,15 Dan Kreatin ≤ 1,35 Maka skenario pertama, dengan pembagian
negatif batu ginjal jumlah data pelatihan sebanyak 70%
dan data pengujian sebanyak 30%.
4.6 Uji Akurasi Tingkat akurasi dengan
Uji akurasi dilakukan untuk menggunakan skenario pertama
melihat seberapa baik sistem mampu didapatkan hasil nilai pengujian data
melakukan klasifikasikan data secara latih tertinggi dengan nilai akurasi
benar, adapun hasil klasifikasi data sebesar 95,71%, selisih sebesar
dengan menggunakan tiga pendekatan 16,99% dari skenario kedua, selisih
pembagian data pelatihan yaitu 8,21% dari skenario ketiga.
sebesar 70%, 80% serta pembagian Berdasarkan hasil yang
data pelatihan sebesar 90%, klasifikasi dan juga uji akurasi yang
memberikan informasi sebagai telah dilakukan, maka dapat
terdeskripsi pada tabel 2 berikut ini: disimpulkan bahwa model arsitektur
Tabel 2. Uji Akurasi yang dibangun dapat
merepresentasikan kebutuhan dalam
No Pembagian Hasil melakukan klasifikasi terhadap data
Data Latih Akurasi set penyakit batu ginjal dengan baik,
1 70 95,71 sehingga mampu menghasilkan
2 80 78,72 bebrapa aturan yang dapat digunakan
3 90 87,5 untuk dapat mengientifikasi faktor-
faktor penyebab munculnya penyakit
batu ginjal dan juga melihat tingkat
Mengacu pada tabel 2, untuk
akurasi dalam proses klasifikasi.
dapat membantu mempermudah

134 Jurnal IKRA-ITH INFORMATIKA Vol 5 No. 2 JULI 2021

 5. KESIMPULAN dalam Algoritma Iterative
Dichotomiser 3 (ID3) untuk
Penggunaan algoritma decision Penentuan Kualitas Beras: Studi
tree untuk melakukan identifikasi dan Kasus Pada Perum Bulog Divre
klasifikasi terhadap dataset rekam Lampung. Jurnal TELEMATIKA
medis pasien penyakit batu ginjal MKOM, 4(1), 10.
sangat diperlukan untuk dapat melihat [Link]
faktor-faktor penyebab munculnya m/files/Pemilihan Criteria
penyakit batu ginjal. Splitting Dalam Algoritma
Dalam penelitian ini terlihat Iterative Dichotomiser 3 (Id3)
bentukan pohon keputusan yang Untuk Penentuan Kualitas
memberikan informasi mengenai rule [Link]
yang terbentuk merepresentasikan Gorunescu, F. (2011). Data Mining:
faktor penyebab terjadinya batu ginjal. Concepts, models and
Penelitian ini menggunakan techniques.
pendekatan tiga skenario pembagian Nugraha, P. G. S. C., Aribawa, I. W.,
data untuk melihat hasil uji akurasi Priyana, I. P. O., & Indrawan, G.
data yang terbaik. Pada penelitian ini (2016). Penerapan Metode
hasil uji akurasi yang terbaik ada di Decision Tree(Data Mining)
skenario pembagian data latih Untuk Memprediksi Tingkat
sebanyak 70% dengan tingkat akurasi Kelulusan Siswa Smpn1
95,71%. Kintamani. Seminar Nasional
Vokasi Dan Teknologi
DAFTAR PUSTAKA (SEMNASVOKTEK), 35–44.
Wirdasari, D. (2013). Analisa Teknik
Azmi, Z., & Dahria, M. (2013). Penentuan Atribut Dalam
Decision Tree Berbasis Membuat Pohon Keputusan Pada
Algoritma Untuk Pengambilan Penambangan Data.
Keputusan. Saintikom, 12, 157– [Link]
164. 1107415324.004
[Link]
m/files/Decision Tree Berbasis
Algoritma Untuk Pengambilan
[Link]?i=1
Elisa, E. (2017). Analisa dan
Penerapan Algoritma C4.5
Dalam Data Mining Untuk
Mengidentifikasi Faktor-Faktor
Penyebab Kecelakaan Kerja
Kontruksi [Link]
Adisesanti. Jurnal Online
Informatika, 2(1), 36.
[Link]
1.71
Elmande, Y., & Widodo, P. (2012).
Pemilihan Criteria Splitting

Jurnal IKRA-ITH INFORMATIKA Vol 5 No. 2 JULI 2021 135