<![CDATA[Perkembangan teknologi informasi telah mendorong pertumbuhan data yang sangat pesat di bidang kesehatan, khususnya data rekam medis pasien yang tersimpan dalam jumlah besar di berbagai fasilitas kesehatan. Data tersebut menyimpan potensi pengetahuan yang sangat berharga jika dianalisis secara tepat. Salah satu pendekatan yang efektif untuk mengekstrak pengetahuan dari data tersebut adalah data mining, yaitu serangkaian metode untuk menemukan pola tersembunyi dan informasi penting dari kumpulan data yang besar, sehingga dapat digunakan dalam pengambilan keputusan medis secara lebih akurat dan efisien. Studi literatur ini membahas penerapan berbagai algoritma data mining, seperti Naïve Bayes, Decision Tree (C4.5 dan C5.0), K-Nearest Neighbor, dan Random Forest dalam analisis dan prediksi penyakit dalam. Hasil penelitian menunjukkan bahwa algoritma Decision Tree C4.5 yang dioptimasi dengan Particle Swarm Optimization (PSO) mampu mencapai akurasi hingga 99,67% untuk prediksi hepatitis C, sedangkan Naïve Bayes efektif dalam prediksi stroke dan penyebaran COVID-19 dengan akurasi tinggi. Selain itu, Random Forest terbukti unggul dalam prediksi penyakit stroke dan diabetes dengan akurasi di atas 90%. Studi ini memberikan gambaran komprehensif tentang efektivitas berbagai metode data mining dan menjadi referensi penting bagi pengembangan aplikasi prediksi penyakit di bidang kesehatan.]]>
Copyrights © 2025
