DETEKSI DENGUE SHOCK SYNDROME PADA PASIEN DEMAM BERDARAH MENGGUNAKAN ALGORITMA RANDOM FOREST
Article Sidebar
Information gain,
Oversampling,
SMOTE,
Principal Component Analysis,
Dengue Shock Syndrom,
Demam Berdarah Dengue
Main Article Content
Abstract
Demam Berdarah Dengue (DBD) merupakan penyakit yang ditularkan oleh nyamuk yang paling sering ditemui di dunia. DBD disebarkan oleh virus nyamuk Aedes aegypti dan Aedes Albopictus. DBD memiliki gejala klinis ringan hingga berat seperti Dengue Shock Syndrom, Dengue Shock Syndrom atau DSS adalah syok/ renjatan disertai kegagalan sirkulasi. Penanganan DSS apabila tidak ditangani lebih awal dapat membahayakan nyawa pasien oleh karena penting untuk membuat deteksi Dengue Shock Syndrom pada pasien DBD. Penelitian pada dengue shock syndrom pada pasien demam berdarah menggunakan algoritma random forest karena kemampuannya mengurangi jumlah variabel yang diperlukan untuk mendeteksi, meningkatkan efisiensi. Data yang akan digunakan dalam penelitian ini berasal dari data pasien penderita demam dengue Rumah Sakit Umum Daerah dr. Saiful Anwar tahun 2014 sampai 2022 yang berjumlah 501 data. Tetapi terdapat permasalahan pada data yang dipakai yaitu dataset imbalanced. Karena data yang digunakan merupakan data imbalanced maka penulis menggunakan random oversampling, smote. Setelah di oversampling data menjadi 401 data syock dan 401 data tidak syock. Kemudian penulis memilih feature yang relevan untuk membangun model random forest. Feature selection yang digunakan adalah Principal component analysis (PCA) dan information gain. Pengujian pada penelitian ini mencari hyperparameter, metode oversampling dan ekstraksi fitur yang optimal. Hasil penelitian menunjukan algoritma menggunakan PCA dan random oversampling memilki hasil terbaik. Akurasi hasil pengujian tertinggi pada pada 0,911 dengan metode oversampling dan PCA.
Kata kunci: Demam Berdarah Dengue, Dengue Shock Syndrom, Principal Component Analysis, SMOTE, Oversampling, Information gain, Hyperparameter
Dengue Hemorrhagic Fever (DHF) is the most common mosquito-borne disease in the world. Dengue fever viruses are spread by the Aedes aegypti and Aedes Albopictus mosquitoes. DHF has mild to severe clinical symptoms such as Dengue Shock Syndrome, Dengue Shock Syndrome, or DSS, which is a shock accompanied by circulatory failure. If DSS is not treated early, it can endanger the patient's life because it is important to make predictions about Dengue Shock Syndrome in DHF patients. Research on dengue shock syndrome in dengue fever patients uses the random forest algorithm because of its ability to reduce the number of variables needed for prediction, increasing efficiency. The data used in this research comes from patients suffering from dengue fever at the Regional General Hospital, dr. Saiful Anwar from 2014 to 2022, totaling 501 data. However, there is a problem with the data used, namely the imbalanced dataset. Because the data is imbalanced, the author uses random oversampling and SMOTE. After oversampling, the data became 401 shock data and 401 non-shock data. The author selects relevant features to build a random forest model. The feature selection used is Principal component analysis (PCA) and information gain. The tests in this research look for hyperparameters, oversampling methods, and optimal feature extraction. The research results show that the algorithm using PCA and random oversampling has the best results. The highest accuracy of test results is 0.911 with the oversampling and PCA methods.
Keywords: Dengue Hemorrhagic Fever, Dengue Shock Syndrome, Principal Component Analysis, SMOTE, Oversampling, Information gain, Hyperparameter
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
DAFTAR PUSTAKA
Alam, M. S. & Vuong, S. T., 2013. Random Forest Classification for Detecting Android Malware. International Conference on Green Computing and Communications and IEEE Internet of Things and IEEE Cyber, Physical and Social Computing, pp. 663-669.
Candra, A., 2010. Demam Berdarah Dengue: Epidemiologi, Patogenesis, dan. Aspirator, 2(2), pp. 110-119.
Cutler, R., Stevens, J. R. & D, A. C., 2011. Random Forests. Ensemble Machine Learning: Methods and Applications, 5(1), pp. 157-176.
Dihni, V. A., 2022. Ini Provinsi dengan Angka Kesakitan DBD Tertinggi Nasional. [Online]
Available at: https://databoks.katadata.co.id/datapublish/2022/03/02/ini-provinsi-dengan-angka-kesakitan-dbd-tertinggi-nasional
[Accessed 4 Maret 2023].
Ferdiansyah, U., Lubis, A. I. & Erwan, K., 2022. Komparasi Metode K-Nearest Neighbor dan Random Forest Dalam Prediksi Akurasi Klasifikasi Pengobatan Penyakit Kutil. Jurnal Media Informatika Budidarma, 6(1), pp. 208-214.
Greenacre, M. et al., 2022. Principal component analysis. Nature Reviews Methods Primers, 2(100).
Indonesia, K. K. R., 2023. sehatnegeriku. [Online]
[Accessed 26 Maret 2023].
Khaidir, Zara, N. & Ikhsan, R., 2022. Gambaran Penyakit Demam Berdarah Dengue di Poliklinik Umum Puskesmas Muara Batu Aceh Utara. Jurnal Kedokteran dan Kesehatan Malikussaleh, 1(1), pp. 44-50.
Linawati, S., Nurdiani, S., Handayani, K. & L., 2020. Prediksi Prestasi Akademin Mahasiswa Menggunakan Algoritma Random Forest dan C4.5. Jurnal Khatulistiwa Informatika, 8(1), pp. 47-52.
Nasution, M. Z. F., Sitompul, O. S. & Ramli, M., 2018. PCA based feature reduction to improve the accuracy of decision tree c4.5 classification. Journal of Physics: Conference Series, Volume 978.
Nguyen, C., Wang, Y. & Nguyen, H. N., 2013. Random forest classifier combined with feature selection for breast cancer diagnosis and prognostic. Biomedical Science and Engineering, Volume 6, pp. 551-560.
Nur, F., Ahsan, M. & Harianto, W., 2022. KOMPARASI TINGKAT AKURASI INFORMATION GAIN DAN GAIN RATIO PADA METODE K-NEAREST NEIGHBOR. Jurnal Mahasiswa Teknik Informatika, 6(1), pp. 386 - 391.
Podung, G. C. D., Tatura, S. N. N. & Mantik, M. F. J., 2021. Faktor Risiko Terjadinya Sindroma Syok Dengue pada Demam Berdarah. Biomedik, 13(2), pp. 161-166.
Prasetya, D. I. et al., 2017. Faktor Karakteristik Klinis Host dan Sosiodemografik yang Berpengaruh Terhadap Kejadian Dengue Shock Syndrome. Jurnal Epidemiologi Kesehatan Komunitas, 2(2), pp. 99-108.
Pujiarti, R., 2016. Faktor Faktor yang berhubungan dengan Kejadian Dengue Shock Syndrome pada Anak di Rumah Sakit Umum di Daerah Tugurejo Kota Semarang. Jurusan Ilmu Kesehatan Masyarakat.
Raveendran, S. & Budiarta, I. G., 2016. Dengue Syok Sindrom.
Salsabila, O., Shodikin, M. A. & Rachmawati, D. A., 2017. Analisis Faktor Risiko Terjadinya Sindrom Syok Dengue Pada Anakdi RSD dr. Soebandi Kabupaten Jember. Journal of Agromedicine and Medical Sciences, 3(1), pp. 56-61.
Sandag, G. A., 2020. Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest. Cogito Smart Journal, 6(2), pp. 167-178.
Speiser, J. L., Miller, M. E., Tooze, J. & Ip, E., 2019. A comparison of random forest variable selection methods for classification prediction modeling. Expert Systems with Applications, Volume 134, pp. 93-101.
Sukohar, 2014. Demam Berdarah Dengue (DBD. Medula, 2(2), pp. 1-15.
Sutoyo, E. & Fadlurrahman, M. A., 2020. Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance Rating Menggunakan Artificial Neural Network. Jurnal Edukasi dan Penelitian Informatika, 6(3), pp. 379-385.
Xin, Y. & Ren, X., 2022. Predicting depression among rural and urban disabled elderly in China using a random forest classifer. BMC Psychiatry, pp. 1-11.