Prediksi Hasil Akhir Pengobatan Pasien Tuberkulosis menggunakan Algoritma Random Forest

Abstract

Tuberkulosis (TBC) masih menjadi salah satu penyakit menular dengan jumlah kasus yang tinggi di Indonesia. Lamanya proses pengobatan menyebabkan hasil akhir terapi baru diketahui setelah seluruh rangkaian pengobatan selesai, sehingga diperlukan pendekatan yang mampu membantu memprediksi hasil pengobatan sejak dini. Penelitian ini bertujuan menerapkan algoritma Random Forest untuk memprediksi hasil akhir pengobatan pasien Tuberkulosis berdasarkan data historis pasien. Metode yang digunakan adalah Knowledge Discovery in Databases (KDD) yang meliputi tahapan data selection, preprocessing, transformation, data mining, dan evaluation. Dataset yang digunakan terdiri atas 11.067 data pasien dengan 10 atribut prediktor dan 1 atribut target. Proses klasifikasi dilakukan menggunakan algoritma Random Forest dan dievaluasi menggunakan metode 10-Fold Cross Validation pada aplikasi Orange Data Mining. Hasil penelitian menunjukkan bahwa model memperoleh Accuracy sebesar 82.9%, Precision sebesar 82.5%, Recall sebesar 82.2%, F1-Score sebesar 82.9%, dan Area Under Curve (AUC) sebesar 88.3%. Analisis feature importance menunjukkan bahwa Tipe Diagnosis TBC, Umur, dan Jenis Fasyankes merupakan atribut yang paling berpengaruh terhadap hasil akhir pengobatan. Hasil penelitian menunjukkan bahwa algoritma Random Forest mampu digunakan sebagai model prediksi hasil akhir pengobatan pasien Tuberkulosis serta berpotensi mendukung pengambilan keputusan dalam pelayanan kesehatan.