<![CDATA[ABSTRAKPenyakit angin duduk (Angina Pectoris) merupakan penyakit yang terjadi karena gangguan pada aliran darah menuju jaringan otot jantung yang menyebabkan terjadinya nyeri pada dada. Angin duduk terjadi karena adanya penyempitan pembuluh coroner yang menyebabkan suplai oksigen untuk otot jantung mengalami gangguan sehingga jantung tidak dapat memompa darah dengan maksimal. Kurangnya pengetahuan masyarakat dalam mendeteksi gejala penyakit ini maka dengan memanfaatkan data tersebut penulis ingin menerapkan salah satu teknik data mining dalam melakukan prediksi atau mendiagnosis penyakit angin duduk (angina pectoris). Metode yang digunakan adalah Algoritma C4.5 dan Particle Swarm Optimization (PSO) dengan alat bantu RapidMiner dengan menggunakan sebanyak 200 data. Hasil analisis menunjukkan bahwa gejala kolestrol, diabetes, hipertensi, obesitas dan merokok bisa menjadi indikator untuk mendiagnosis penyakit angin duduk (angina pectoris). Hasil nilai yang didapatkan dari penelitian ini yaitu nilai Accuracy yang didapatkan meningkat sebanyak 7,5% dari 76,50% menjadi 84,00%, nilai Precision yang didapatkan meningkat sebanyak 7,64% dari 80,50% menjadi 88,14%, dan nilai Recall yang didapatkan meningkat sebanyak 9% dari 72,00% menjadi 81,00%. Kata Kunci: Data Mining, Angin Duduk, Algoritma C4.5, Particle Swarm Optimization, RapidMiner ABSTRACKSitting wind disease (Angina Pectoris) is a disease that occurs due to disruptions in blood flow to heart muscle tissue that causes chest pain. Wind sitting occurs due to a narrowing of the coroner vessels that cause the oxygen supply to the heart muscle to be disrupted so that the heart cannot pump blood optimally. Lack of public knowledge in detecting the symptoms of this disease then by utilizing the data the author wants to apply one of the data mining techniques in predicting or diagnosing sitting wind disease (angina pectoris). The methods used are Algorithm C4.5 and Particle Swarm Optimization (PSO) with RapidMiner tools using as much as 200 data. The results of the analysis showed that the symptoms of cholesterol, diabetes, hypertension, obesity and smoking could be indicators for diagnosing sitting wind disease (angina pectoris). The results of the value obtained from this study are that the accuracy value obtained increased by 7.5% from 76.50% to 84.00%, the precision value obtained increased by 7.64% from 80.50% to 88.14%, and the recall value obtained increased by 9% from 72.00% to 81.00%. Kata Kunci: Data Mining, Sitting Wind, C4.5 Algorithm, Particle Swarm Optimization, RapidMiner.]]>
