Electronic Theses and Dissertation

Coronavirus Disease 2019 (COVID-19) adalah bagian dari keluarga besar virus yang menyebabkan penyakit pernapasan pada manusia mulai dari gejala ringan hingga berat. COVID-19 merupakan penyakit menular dengan proses penularannya sangat cepat dan dapat berakibat pada kematian. Berdasarkan hal tersebut, penting untuk mengetahui pola penyakit dari pasien COVID-19 agar dapat mengatasi dan mencegah dampak dari COVID-19 terhadap status kesembuhan. Untuk mengetahui pola penyakit dari pasien COVID-19 terhadap status kesembuhan dapat dilakukan dengan penerapan teknik klasifikasi pada data mining. Klasifikasi merupakan cara pengelompokan berdasarkan ciri–ciri yang dimiliki oleh objek klasifikasi. Salah satu metode klasifikasi adalah decision tree menggunakan Algoritma C5.0. Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari rekam medis pasien rawat inap COVID-19 di RSUD dr. Zainoel Abidin Banda Aceh pada bulan Maret s.d Agustus 2020 dengan 15 variabel bebas dan 1 variabel terikat. Penelitian ini menggunakan Uji Chi Square untuk pemilihan variabel bebas yang akan digunakan untuk klasifikasi. Hasil pengujian tersebut diperoleh 8 variabel bebas yang terdapat hubungan dengan variabel terikat, sehingga akan digunakan dalam pembangunan model Decision Tree C5.0. Tujuan penelitian ini adalah melakukan klasifikasi rekam medis pasien rawat inap COVID-19 di RSUD dr. Zainoel Abidin Banda Aceh untuk mengetahui pola penyakit COVID-19 terhadap status kesembuhan pasien menggunakan Decision Tree C5.0. Hasil yang diperoleh berupa model decision tree dengan 6 aturan keputusan dan hasil pengukuran kinerja model menunjukkan bahwa Algoritma C5.0 mampu melakukan klasifikasi dengan tingkat akurasi sebesar
93% dan nilai AUC sebesar 0,91 dengan kategori excellent. Berdasarkan hasil pengatasan imbalance data pada data training menggunakan penerapan metode oversampling diperoleh tingkat akurasi sebesar 93%, hasil tersebut tidak memiliki perbedaan yang signifikan dengan hasil tanpa pengatasan imbalance data sehingga pengatasan imbalace data dengan penerapan metode oversampling pada penelitian ini tidak memiliki pengaruh untuk meningkatkan kinerja model Decision Tree C5.0 dalam melakukan klasifikasi.

Coronavirus Disease 2019 (COVID-19) is part of a large family of viruses that cause respiratory illnesses in humans ranging from mild to severe. COVID-19 is a contagious disease with a very fast transmission process and can result in death. Based on this, it is important to know the disease pattern of COVID-19 patients in order to overcome and prevent the impact of COVID-19 on the recovery status. To find out the disease pattern of COVID-19 patients on recovery status, it can be done by applying classification techniques to data mining. Classification is a way of grouping based on the characteristics possessed by the object of classification. One of the classifications is a decision tree using the C5.0 Algorithm. The data used in this study is secondary data obtained from medical records of COVID-19 inpatients at dr. Zainoel Abidin Banda Aceh from March to August 2020 with 15 independent variables and 1 dependent variable. This study uses the Chi Square test for the selection of independent variables to be used for classification. The test results obtained 8 independent variables contained with the variables used, so that they will be used in the Decision Tree C5.0 development model. The purpose of this study was to classify the medical records of COVID-19 inpatients at dr. Zainoel Abidin Banda Aceh to find out the pattern of COVID-19 disease on the patient's recovery status using Decision Tree C5.0. The results obtained in the form of a decision tree model with 6 decision rules and the results of measuring model performance indicate that the C5.0 algorithm is able to classify with an accuracy rate of 93% and an AUC value of 0.91 in the excellent category. Based on the results of overcoming data balancing on training data using the application of the oversampling method, an accuracy rate of 93% is obtained, these results do not have a significant difference with the results without overcoming data imbalances so that overcoming data imbalances by applying the oversampling method in this study has no effect on improving model performance. Decision Tree C5.0 in doing classification.