Klasifikasi Kondisi Paru Normal dan Abnormal Menggunakan Metode Random Forest
DOI:
https://doi.org/10.54706/senastindo.v7.2025.418Kata Kunci:
Klasifikasi paru, Random Forest, Dataset Respirasi, Pembelajaran Mesin, Diagnosis MedisAbstrak
Penyakit paru-paru merupakan salah satu penyebab utama kematian di dunia dan berdampak besar
terhadap kesehatan serta kualitas hidup manusia. Deteksi dan klasifikasi kondisi paru secara dini dan
akurat sangat penting untuk mendukung proses diagnosis serta pengambilan keputusan medis. Penelitian
ini bertujuan untuk mengklasifikasikan kondisi paru normal dan abnormal—khususnya asma—
menggunakan algoritma Random Forest berdasarkan fitur fisiologis dari Respiratory Dataset yang
tersedia di PhysioNet. Dataset ini terdiri dari enam parameter utama pernapasan, yaitu Pressure
(cmH₂O), Flow (L/s), V_tidal (L), Chest (mm), Abd (mm), dan Global Aeration, yang menggambarkan
aktivitas fisiologis pernapasan. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian,
dengan metode 5-Fold Cross Validation untuk memastikan kestabilan model. Model Random Forest yang
dibangun dengan 100 pohon keputusan menghasilkan akurasi 99,40%, F1-score 0,9898, recall 0,9883,
dan precision 0,9913. Hasil tersebut menunjukkan bahwa algoritma Random Forest sangat efektif dalam
membedakan kondisi paru normal dan abnormal. Temuan ini menegaskan potensi penerapan algoritma
ini sebagai dasar pengembangan sistem pendukung keputusan medis cerdas yang bersifat otomatis, non
invasif, dan mampu membantu tenaga kesehatan dalam mendeteksi penyakit paru secara cepat dan efisien.
Unduhan
Referensi
[1] D. C. J. Kartikasari and A. Komputika, “Perbandingan Klasifikasi Penyakit Kanker
Paru-Paru Menggunakan Decision Tree Dan Random Forest Comparison Of Lung
Cancer Classification Using Decision Tree And Random Forest Komputika: Jurnal
Sistem Komputer,” J. Sist. Komput., vol. 14, no. 1, pp. 79–5, 2025, doi:
10.34010/kp5h2h96.
[2] H. Apriningsih et al., “Peningkatan Pengetahuan Petugas Kesehatan Mengenai Peran
Spirometri Sebagai Alat Deteksi Dini Penyakit Paru Obstruktif Kronik ( PPOK ) di
Fasilitas Kesehatan Layanan Primer,” vol. 4, no. 1, pp. 28–37, 2024.
[3] P. Penyakit, P. Obstruktif, and K. Ppok, “Jurnal Kesehatan,” vol. 11, pp. 31–40, 2022.
[4] A. S. Wahdah et al., “Tinjauan Pustaka : Risiko Kanker Paru pada Pasien dengan
Riwayat Tuberculosis Paru dan Penyakit Paru Obstruktif Kronik ( PPOK ) Article
Review : Risk of Lung Cancer in Patients with History of Pulmonary Tuberculosis and
Chronic Obstructive Pulmonary Disea,” vol. 14, no. 1, pp. 1845–1850, 2024.
[5] T. Indira et al., “Hubungan Perilaku Merokok Terhadap Kualitas Hidup Pasien Penyakit
Paru Obstruktif Kronis ( PPOK ) The Relationship between Smoking and the Quality of
Life of COPD Patients Abstract Pendahuluan Penyakit Paru Obstruktif Kronis ( PPOK )
atau disebut juga den,” vol. 9, no. 1, pp. 47–54, 2023.
[6] Z. A. Leleury and B. P. Tomasouw, “Diagnosa Penyakit Saluran Pernapasan Dengan
Menggunakan Support Vector Machine (Svm),” BAREKENG J. Ilmu Mat. dan Terap.,
vol. 9, no. 2, pp. 109–119, 2015, doi: 10.30598/barekengvol9iss2pp109-119.
[7] D. Kurniawan, M. Wahyudi, L. Pujiastuti, and S. Sumanto, “Deteksi dan Prediksi
Cerdas Penyakit Paru-Paru dengan Algoritma Random Fores,” Indones. J. Comput. Sci.,
vol. 3, no. 1, pp. 51–56, 2024, doi: 10.31294/ijcs.v3i1.6071.
[8] F. Ramadhani, H. Syahputra, R. L. Simanjuntak, T. R. Siagian*, U. Nisa, and V.
Anggraini, “Klasifikasi Suara Paru Normal Dan Abnormal Berbasis Algoritma CNN
(Convolutional Neural Network),” J. Teknol. Inf. dan Terap., vol. 11, no. 1, pp. 15–20,
2024, doi: 10.25047/jtit.v11i1.370.
[9] N. Selayanti, S. A. Putri, M. Kristanaya, M. P. Azzahra, M. G. Navsih, and K. M.
Hindrayani, “Penerapan Machine Learning Algoritma Random Forest Untuk Prediksi
Penyakit Jantung,” Pros. Semin. Nas. Sains Data, vol. 4, no. 1, pp. 895–906, 2024, doi:
10.33005/senada.v4i1.376.
[10] P. Ngalle and K. Takalar, “Arus Jurnal Sains dan Teknologi ( AJST ) Analisa Diagnosa
Penyakit Berdasarkan Riwayat Medis menggunakan Algoritma Random Forest Studi
Kasus Rumah Sakit,” vol. 2, no. 2, 2024.
[11] S. G. Bollmeier and A. P. Hartmann, “Management of chronic obstructive pulmonary
disease: A review focusing on exacerbations,” Am. J. Heal. Pharm., vol. 77, no. 4, pp.
259–268, 2020, doi: 10.1093/ajhp/zxz306.
[12] Guy, E. F. S., Clifton, J. A., Caljé-van der Klei, T., Chen, R., Knopp, J., Moeller, K., &
Chase, J. G. (2023). Respiratory dataset from PEEP study with expiratory occlusion
(version 1.0.0). PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/d767-e709
[13] Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P. C., Mark, R., ... &
Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a
new research resource for complex physiologic signals. Circulation [Online]. 101 (23),
pp. e215–e220. RRID:SCR_007345.
[14] A. Achmad, A. Adnan, and M. Rijal, “Klasifikasi Penyakit Pernapasan Berbasis
Visualisasi Suara Menggunakan Metode Support Vector Machine,” Jurnal Ilmiah Ilmu
Komputer, vol. 8, no. 2, pp. 115–119, Sep. 2022, Fakultas Ilmu Komputer, Universitas Al
Asyariah Mandar.
[15] N. S. Wibisono, S. A. Wicaksono, and N. Y. Setiawan, “Klasifikasi Donatur pada Yayasan Jajan Pahala Menggunakan Algoritma Random Forest,” Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer, vol. 1, no. 1, pp. 1–9, Jan. 2017.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Kategori
Lisensi
Hak Cipta (c) 2025 Rama Nanda, Putri Ica Rahmiatun, Ninda Cahya Noprianingrum, Agrippina Alodia Yusuf, Muhammad Iman Dinata
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
