Klasifikasi merupakan proses pembangunan suatu model yang mengelompokkan suatu objek sesuai dengan atributnya (Elly Susilowati, 2015). Beberapa algoritma yang digunakan untuk proses klasifikasi yaitu pohon klasifikasi (Decision Tree), Naive Bayes, K-NN, Supprot Vector Machine (Prasetyo, 2013).
Pohon klasifikasi yang dibentuk berasal dari hasil penyekatan data secara berulang, dimana kelas dan nilai peubah penjelas dari setiap sampel pada data sudah diketahui (Loh dan Shih, 1997).
Exhaustive CHAID merupakan metode eksplorasi untuk mengklasifikasikan data dengan cara membangun pohon klasifikasi yang dapat memberikan informasi berupa variabel independen yang berpengaruh secara signifikan terhadap variabel dependen (Bagozzi, 1994).
Data Kasus TBC Paru
Pada tahun 2013, di wilayah Puskesmas Jati, kejadian TBC paru sebanyak 54 pasien meliputi 49 pasien BTA positif dan 5 pasien BTA negatif. Tahun 2014 sebanyak 39 pasien meliputi 31 pasien BTA positif dan 8 pasien BTA negative. Tahun 2015 sebanyak 52 pasien meliputi 45 pasien BTA positif dan 7 pasien BTA negative. Tahun 2016 sebanyak 46 pasien meliputi 42 pasien BTA positif dan 4 pasien BTA negative. Tahun 2017 sebanyak 64 pasien meliputi 56 pasien BTA positif dan 8 pasien BTA negative. Tahun 2018 sebanyak 58 pasien meliputi 44 pasien BTA positif dan 14 pasien BTA negatif.
Data tersebut menunjukkan bahwa angka kejadian TBC paru mengalami peningkatan dan penurunan (Dinkes Kab. Kudus, 2016). Guna menemukan klasifikasi variabel independen terhadap kejadian TBC paru dengan menggunakan metode exhaustive CHAID. Informasi dari variabel independen yaitu umur (£25 tahun dan >25 tahun), sex (laki-laki dan perempuan), tipe pasien (baru dan kambuh), hasil pengobatan (sembuh dan pengobatan lengkap). Variabel dependen kejadian TBC paru (BTA positif dan BTA negatif).
Prosedur Penerapan Metode Exhaustive CHAID
Metode Exhaustive CHAID memiliki tiga tahapan, yaitu (Gallagher, 2000):
- Tahap Penggabungan yaitu:
- Membentuk tabel kontingensi dua arah untuk masing-masing kategori.
- Menghitung statistik Chi Square untuk setiap pasangan yang dipilih untuk digabungkan.
- Menentukan p-value untuk setiap nilai Chi Square yang berpasangan. Pasangan kategori yang tidak signifikan dilakukan penggabungan dengan sebuah pasangan kategori yang paling mirip (pasangan yang mempunyai nilai χ2 berpasangan terkecil dan mempunyai p-value terbesar) menjadi sebuah kategori tunggal dan kemudian dilakukan langkah selanjutnya.
- Memeriksa kembali tingkat signifikansi pada kategori baru setelah digabungkan dengan kategori yang lainnya. Jika masih ada pasangan yang belum signifikan, maka ulangi langkah 3. Jika semua pasangan sudah signifikan, maka lanjutkan ke tahapan berikutnya.
- Tahap Pemisahan yaitu:
- Memilih variabel independen yang memiliki p-value terkecil digunakan sebagai split node.
- Jika p-value ≤
, maka variabel independen dilakukan pemisahan. Jika tidak ada variabel independen yang mempunyai p-value signifikan, maka lanjut ke tahap selanjutnya dan variabel independen tersebut menjadi simpul akhir.
- Tahap Penghentian, jika tidak ada variabel independen yang signifikan dan jika pohon telah mencapai batas nilai maksimum.
Hasil Klasifikasi Variabel Independen terhadap Kejadian TBC Paru
Hasil klasifikasi menunjukkan bahwa terbentuk lima jumlah node, ada tiga jumlah terminal node dan kedalaman pohon ada dua cabang. Hasil Segmentasi analisis Exhaustive CHAID pada kejadian TBC paru dengan kategori BTA positif dan BTA negatif menunjukkan variabel hasil pengobatan berpengaruh secara signifikan (p-value 0,000) terhadap kejadian TBC paru. Sedangkan umur, sex dan tipe pasien tidak berpengaruh signifikan terhadap kejadian TBC paru.
Sebanyak 313 orang yang diteliti menunjukkan kejadian TBC paru dengan kategori BTA positif sebanyak 267 orang (85,3%) dan BTA negatif sebanyak 46 orang (14,7%). Variabel hasil pengobatan merupakan variabel prediktor terbaik yang menjelaskan kejadian TBC paru, sehingga hasil pengobatan dijadikan variabel penyekat. Variabel hasil pengobatan disekat menjadi dua node. Node 1 merupakan pasien dengan hasil pengobatan sembuh dan node 2 merupakan pasien dengan hasil pengobatan lengkap. Selanjutnya, pada node 1 variabel tipe penderita disekat menjadi dua node (yaitu node 3 dan 4) dengan kategori kambuh (node 3) dan kategori baru (node 4). Sedangkan pada node kedua, proses penyekatan dihentikan karena semua kasus yang terdapat di dalam node memiliki nilai identik untuk tiap variabel prediktor, sehingga node kedua menjadi node terakhir.
Persentase ketepatan model klasifikasi antara hasil prediksi dengan hasil pengamatan sebesar 87,2%. Ketepatan antara kejadian TBC paru dengan kategori BTA positif sebesar 85,4% dengan kesalahan klasifikasi sebesar 14,6%. Sedangkan ketepatan antara kejadian TBC paru dengan kategori BTA negatif sebesar 97,8% dengan kesalahan klasifikasi sebesar 2,2%. Kesimpulan metode exhaustive chaid dapat menjelaskan kejadian TBC paru berdasarkan hasil pengobatan.
Penulis: Maria Ulfa, Windhu Purnomo, Rachmah Indawati
Link Jurnal: https://medicopublication.com/index.php/ijfmt/article/view/13588
