Perbandingan Algoritma Pendekatan Supervised Learning Menggunakan Seleksi Fitur Chi-Square untuk Klasifikasi Status Kesehatan Jemaah Haji
DOI:
https://doi.org/10.26418/justin.v13i1.86639Keywords:
Chi-Square, Data Mining, Kesehatan Jemaah Haji, KlasifikasiAbstract
Selama pelaksanaan ibadah haji, kesehatan adalah suatu hal penting yang mempengaruhi kelancaran ibadah. Jemaah haji perlu berada dalam kondisi fisik dan mental yang optimal untuk memenuhi syarat istitha"™ah. Oleh karena itu, pemanfaatan data mining sangat penting untuk mengklasifikasikan data kesehatan jemaah haji yang dapat dimanfaatkan sebagai bahan evaluasi kondisi kesehatan jemaah. Penelitian ini akan membandingkan akurasi empat algoritma pada pendekatan Supervised Learning dalam klasifikasi status kesehatan jemaah haji. Algoritma pada pendekatan Supervised Learning yang digunakan yaitu Decision Tree, Random Forest, AdaBoost, dan XGBoost. Keempat algoritma tersebut dipilih dikarenakan memiliki kemampuan yang kuat dalam menangani data yang kompleks, serta efisien dalam menangani berbagai jenis data. Selain itu proses seleksi fitur menggunakan Chi-Square diterapkan sebelum klasifikasi untuk mengoptimalkan serta meningkatkan nilai akurasi setiap algoritma. Hasil penelitian menunjukkan penggunaan seleksi fitur Chi-Square mampu memberikan peningkatan akurasi algoritma pada pendekatan Supervised Learning, dengan fitur terbaik menggunakan 6 fitur atribut regular dan 1 atribut sebagai label. Didapatkan hasil perbandingan klasifikasi status kesehatan jemaah haji menggunakan algoritma XGBoost dengan penggunaan seleksi fitur memiliki akurasi tertinggi mencapai 97,21% dibandingkan dengan algoritma Decision Tree yang hanya mencapai 95,61%, Random Forest 96,81%, dan AdaBoost 89,94%.
References
M. Nur Fadhli, Ibadah Haji dan Umrah. Klaten: PT Cempaka Putih, 2020.
A. Sarwat, Ibadah Haji : Rukun Islam Kelima. Jakarta Selatan: Rumah Fiqih Publishing, 2019.
E. Vestability, “Health Examination for Hajj Pilgrims in Lumajang Regency,†Jurnal Persada Husada Indonesia, vol. 8, pp. 36–42, 2021, [Online]. Available: http://jurnal.stikesphi.ac.id/index.php/kesehatan
P. Deswara, “Isthita’ah Kesehatan Jemaah Haji,†Jurnal Persada Husada Indonesia, vol. 10, no. 37, pp. 28–36, Apr. 2023, [Online]. Available: http://jurnal.stikesphi.ac.id/index.php/kesehatan
Mahbib Khoiron, “Mengapa Syarat Istitha’ah Kesehatan Haji 2024 Perlu Diperketat?,†NU Online. Accessed: Feb. 13, 2024. [Online]. Available: https://www.nu.or.id/lapsus/mengapa-syarat-istithaah-kesehatan-haji-2024-perlu-diperketat-NecYK
O. W. Yuda, D. Tuti, L. S. Yee, and Susanti, “Penerapan Penerapan Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Random Forest,†SATIN - Sains dan Teknologi Informasi, vol. 8, no. 2, pp. 122–131, Dec. 2022, doi: 10.33372/stn.v8i2.885.
E. Tasia et al., “Klasifikasi Penyakit Gagal Jantung Menggunakan Supervised Learning,†Aug. 2023. [Online]. Available: https://journal.irpi.or.id/index.php/sentimas
A. Budiarto, A. Subekti, and H. Darmawan, “Pendeteksian Potensi Faktor Risiko Tinggi Kesehatan Jemaah Haji Menggunakan Algoritma Klasifikasi Data Mining,†Jurnal Informatika Sains dan Teknologi, vol. 7, no. 2, pp. 276–285, Oct. 2022, [Online]. Available: https://journal.uin-alauddin.ac.id/index.php/instek/article/view/32554
A. Arifin, M. A. Najmi, J. Samudra, S. Reza, and D. S. Prasvita, “Klasifikasi Dalam Mendeteksi Penyakit Hipoglikemia Dengan Menggunakan Metode Random Forest dan Adaboost,†2022.
O. Jaya Harmaja et al., “Comparison of Ensemble Learning Algorithm in Classifying Early Diagnostic of Diabetes,†Jurnal Sistem Informasi dan Ilmu Komputer Prima, vol. 7, no. 1, 2023.
L. Amatullah, Y. Widiastiwi, and N. Chamidah, “Penerapan Klasifikasi Random Forest Terhadap Data Gangguan Spektrum Autisme (ASD) Pada Anak-Anak Menggunakan Seleksi Fitur Principal Component Analysis,†Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), vol. 3, no. 2, pp. 356–364, Aug. 2022.
R. Amanda Amalia and S. Lestari, “Penerapan Algoritma C.45 Pada Klasifikasi Status Gizi Balita di Posyandu Desa Sukalilah Cibatu Kabupaten Garut Jawa Barat,†Jurnal Sains dan Teknologi, vol. 5, no. 1, pp. 177–182, 2023, doi: 10.55338/saintek.v5i1.1375.
Q. A. A’yuniyah and M. Reza, “Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Di Sma Negeri 15 Pekanbaru,†Indonesian Journal of Informatic Research and Software Engineering (IJIRSE), vol. 3, no. 1, pp. 39–45, Mar. 2023, doi: 10.57152/ijirse.v3i1.484.
H. Sulastri and A. I. Gufroni, “PENERAPAN DATA MINING DALAM PENGELOMPOKAN PENDERITA THALASSAEMIA,†Jurnal Nasional Teknologi dan Sistem Informasi, vol. 3, no. 2, pp. 299–305, Sep. 2017, doi: 10.25077/teknosi.v3i2.2017.299-305.
A. Kartika Sari, Akhmad Irsyad, Dinda Nur Aini, Islamiyah, and Stephanie Elfriede Ginting, “Analisis Sentimen Twitter Menggunakan Machine Learning untuk Identifikasi Konten Negatif,†Adopsi Teknologi dan Sistem Informasi (ATASI), vol. 3, no. 1, pp. 64–73, Jun. 2024, doi: 10.30872/atasi.v3i1.1373.
C. Herdian, A. Kamila, and I. G. Agung Musa Budidarma, “Studi Kasus Feature Engineering Untuk Data Teks: Perbandingan Label Encoding dan One-Hot Encoding Pada Metode Linear Regresi,†Technologia : Jurnal Ilmiah, vol. 15, no. 1, p. 93, Jan. 2024, doi: 10.31602/tji.v15i1.13457.
I. C. R. Drajana and A. Bode, “Prediksi Status Penderita Stunting pada Balita Provinsi Gorontalo Menggunakan K-Nearest Neighbor Berbasis Seleksi Fitur Chi-Square,†Jurnal Nasional Komputasi dan Teknologi Informasi, vol. 5, no. 2, pp. 309–316, 2022.
H. M. Lumbantobing, R. A. Marcellino, and I. C. Bu’ololo, “Penerapan Metode Feature Selection pada Algoritma Naïve Bayes dalam Kasus Keyword Extraction,†Yogyakarta, Oct. 2020.
S. Kurnia Sari and W. Firdaus Mahmudy, “Penerapan Metode Decision Tree dan Algoritme Genetika Untuk Klasifikasi Risiko Hipertensi,†Mar. 2019. [Online]. Available: http://j-ptiik.ub.ac.id
R. A. Haristu and P. H. P. Rosa, “Penerapan Metode Random Forest untuk Prediksi Win Ratio Pemain Player Unknown Battleground,†MEANS (Media Informasi Analisa dan Sistem), vol. 4, no. 2, pp. 120–128, 2019, [Online]. Available: http://ejournal.ust.ac.id/index.php/Jurnal_Means/
J. Sanjaya, E. Renata, V. E. Budiman, F. Anderson, and M. Ayub, “Prediksi Kelalaian Pinjaman Bank Menggunakan Random Forest dan Adaptive Boosting,†Jurnal Teknik Informatika dan Sistem Informasi, vol. 6, no. 1, Apr. 2020, doi: 10.28932/jutisi.v6i1.2313.
R. T. Febianto, D. Suranti, and R. T. Alinse, “Penerapan Algoritma Adaboost dalam Mengetahui Pola Pengguna KB di Puskesmas Tanjung Harapan,†2024. [Online]. Available: http://jurnal.goretanpena.com/index.php/JSSR
P. Septiana Rizky, R. Haiban Hirzi, U. Hidayaturrohman, U. Hamzanwadi Selong Jl TGKH Muhammad Zainuddin Abdul Madjid Pancor, and L. Timur, “Perbandingan Metode LightGBM dan XGBoost dalam Menangani Data dengan Kelas Tidak Seimbang,†2022. [Online]. Available: www.unipasby.ac.id
R. Guo, Z. Zhao, T. Wang, G. Liu, J. Zhao, and D. Gao, “Degradation state recognition of piston pump based on ICEEMDAN and XGBoost,†Applied Sciences (Switzerland), vol. 10, no. 18, Sep. 2020, doi: 10.3390/APP10186593.
A. Muhaimin, M. A. Hariyadi, and M. Imamudin, “Klasifikasi Prestasi Akademik Siswa Berdasarkan Nilai Rapor dan Kedisiplinan dengan Metode K-Nearest Neighbor,†Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), vol. 7, no. 1, pp. 193–202, 2024.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
