skip to main content

PENGKLASIFIKASIAN PENYAKIT HIPERTENSI MENGGUNAKAN METODE CHI-SQUARE AUTOMATIC INTERACTION DETECTION

Kharisma Dwi Wahyuni  -  Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Mulawarman, Indonesia
*Darnah Darnah  -  Program Studi Statistika, Universitas Mulawarman, Indonesia
M Fathurahman  -  Program Studi Statistika, Universitas Mulawarman, Indonesia
Open Access Copyright 2025 Jurnal Gaussian under http://creativecommons.org/licenses/by-nc-sa/4.0.

Citation Format:
Abstract

Data mining is a technology used as an automated tool in the decision-making with classification being one of its techniques. The Chi-square Automatic Interaction Detection method classifies data by dividing samples into groups based on certain criteria, displaying results in a tree diagram. This study aims to obtain related factors, classification results, and accuracy of hypertension status classification of visitors to the East Kalimantan Provincial Health Office stand at the 2023 Kaltim Expo in Samarinda City using the CHAD method. The study found that age and family history are factors related to hypertension status. Classification results showed 10 elderly visitors without a family history of hypertension (2 with hypertension, 8 without), 216 non-elderly visitors without a family history of hypertension (9 with hypertension, 207 without), 10 elderly visitors with a family history of hypertension (9 with hypertension, 1 without), and 117 non-elderly visitors with a family history of hypertension (36 with hypertension, 81 without). The accuracy of hypertension status classification using the CHAID method was 86%.

Note: This article has supplementary file(s).

Fulltext View|Download |  Research Instrument
PENGKLASIFIKASIAN PENYAKIT HIPERTENSI MENGGUNAKAN METODE CHI-SQUARE AUTOMATIC INTERACTION DETECTION (Studi Kasus: Pengunjung Kegiatan Kaltim Expo 2023)
Subject
Type Research Instrument
  Download (399KB)    Indexing metadata
Keywords: CHAID; hypertension; classification; decision tree

Article Metrics:

  1. Aminoto, T. & Agustina, D. (2020). Mahir Statistika dan SPSS. Tasikmalaya: Edu Publisher
  2. Agresti, A. (1990). Categorical Data Analysis. New York: John Wiley & Sons
  3. Cho, V. & Ngai, E. (2003). Data Mining for Selection of Insurance Sales Agents. Expert Systems: The Journal of Knowledge Engineering, 20, 123-132
  4. Dinas Kesehatan Kota Samarinda. (2021). Profil kesehatan Kota Samarinda tahun 2021. Samarinda: Dinas Kesehatan Kota Samarinda
  5. Dinas Kesehatan Provinsi Kalimantan Timur. (2022). Rencana Strategi (RENSTRA) 2022. Samarinda: Dinas Kesehatan Provinsi Kalimantan Timur
  6. Everit, B. S. & Skrondal, A. (2010). The Cambridge Dictionary of Statistics. London: Cambridge University Press
  7. Fanggidae, J. J. R., Ekowati, C. K., Nenohai, J. M. H., & Udil, P. A. (2021). Klasifikasi faktor-faktor yang mempengaruhi prestasi akademik mahasiswa pendidikan matematika FKIP UNDANA dengan metode CHAID. Fraktal: Jurnal Matematika Dan Pendidikan Matematika, 2(1), 23–33
  8. Gallagher, C. A., Monroe, H. M., & Fish, J. L. (2000). An Iterative Approach to Classification Analysis. Journal of Applied Statistics, 29, 256-266
  9. Hamidah, I. (2013). Aplikasi Data Mining untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus: Jurusan Teknik Komputer-UNIKOM). (Tesis). UNIKOM: JBPTUNIKOMPP
  10. Han, J. & Kamber, M. (2006). Data Mining Concepts and Techniques Second Edition. San Francisco: Morgan Kaufmann
  11. Kunto, Y. S., & Hasana, S. N. (2006). Analisis CHAID Sebagai Alat Bantu Statistika Untuk Segmentasi Pasar. Jurnal Manajemen Pemasaran, 1(2), 88-98
  12. Lehmann, T., & Eherler, D. (2001). Responder Profiling with CHAID and Dependency Analysis. In Data Mining for Marketing Applications Workshop. Germany: University of Freiburg
  13. Miftahuddin. (2012). Penggunaan Metode CHAID (Chi Square- Automatic Interaction Detection) Pada Pohon Klasifikasi Menggunakan Satu Peubah Respon Dengan Perbandingan Taraf Nyata. Jurnal matematika, statistika dan komputasi, 9(1), 11-22
  14. Rizki, M., Umam, M. I. H., Hamzah, M. L. (2020). Aplikasi Data Mining Dengan Metode CHAID Dalam Menentukan Status Kredit. Jurnal Sains, Teknologi dan Industri. 18(1), 29-33
  15. Santoso, Singgih. (2012). Panduan Lengkap SPSS Versi 20. Jakarta: PT Elex Media Komputindo
  16. Silitonga, P. (2016). Analisis Pola Penyebaran Penyakit Pasien Pengguna Badan Penyelenggara Jaminan Sosial (BPJS) Kesehatan dengan Menggunakan Metode DBSCAN Clustering. Jurnal Times. 5(1), 36–39
  17. Sugiyono. (2015). Statistik Nonparametris untuk Penelitian. Bandung: Alfabeta
  18. Sujana, D. & Trisyan, Y. (2023). Pengkajian Resep Berdasarkan Aspek Administratif Pada Pasien Hipertensi di Puskesmas Pembangunan Garut. Jurnal Medika Farmaka, 1(1), 54-66
  19. Suyanto. (2017). Data Mining: Untuk Klasifikasi dan Klastering Data. Bandung: Informatika Bandung
  20. Tyas, A. E., Ispriyanti, D., & Sudarno. (2015). Ketepatan Klasifikasi Status Kerja di Kota Tegal Menggunakan Algoritma C4.5 dan Fuzzy K-Nearest Neighbor in Every Class (FK-NNC). Jurnal Gaussian, 4(4), 735-744
  21. Walpole, R. E. (1995). Pengantar Statistika. Jakarta: PT Gramedia Pustaka Utama
  22. Witten, Ian H, Frank, Eibe, & Hal, M.A. (2011). Data Mining: Pratical Machine Learning Tools and Techniques, Third Edition. Burlington: Morgan Kaufmann Publishers
  23. Wulandary, A. (2014). Klasifikasi keputusan nasabah untuk menggunakan ATM dengan metode Chi-Square Automatic Interaction Detection (CHAID). (Skripsi). Universitas Pendidikan Indonesia: Bandung

Last update:

No citation recorded.

Last update:

No citation recorded.