Implementasi Metode Decision Tree Algoritma C4.5 Untuk Klasifikasi Penyakit Paru-Paru Pada Manusia

Abstract

Penyakit paru-paru masih menjadi masalah kesehatan serius di Indonesia. Proses diagnosis umumnya bergantung pada pemeriksaan manual yang memerlukan waktu dan keahlian tinggi, sementara data pasien semakin besar dan kompleks. Kondisi ini mendorong pemanfaatan teknik data mining untuk membantu deteksi dini dan pengambilan keputusan medis berbasis data. Penelitian ini bertujuan mengklasifikasikan risiko penyakit paru-paru pada manusia menggunakan algoritma Decision Tree C4.5 dengan pendekatan Knowledge Discovery in Database (KDD). Dataset  yang digunakan merupakan data sekunder dari Kaggle  dengan sekitar 30.000 data pasien dan 10 atribut terkait demografi, gaya hidup, dan kondisi kesehatan. Seluruh tahapan KDD, mulai dari seleksi data, preprocessing , transformasi, hingga pemodelan dan evaluasi, diimplementasikan menggunakan RapidMiner Studio . Hasil pengujian dengan 10- Fold Cross Validation menunjukkan bahwa algoritma C4.5 mampu memberikan performa klasifikasi yang sangat baik dengan akurasi sebesar 94,65% disertai nilai Precision, Recall, dan F1-score yang tinggi. Pohon keputusan yang dihasilkan menempatkan kebiasaan merokok, aktivitas olahraga, usia, dan pola hidup sebagai faktor utama penentu risiko penyakit paru-paru. Model ini bersifat interpretable dan mudah diterjemahkan ke dalam aturan “ jika – maka ”, sehingga berpotensi digunakan sebagai komponen sistem pendukung keputusan untuk skrining awal dan edukasi risiko penyakit paru-paru.