Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 2017

23 September 2017, Samarinda, Indonesia ISBN: 978-602-50321-0-3

Penderita Diabetes Melitus Tipe II Di Rumah Sakit Abdul Wahab

Syahranie Samarinda Tahun 2015

Yazid Fathullah1,*, Desi Yuniarti2, Rito Goejantoro2

1Laboratorium Statistika Terapan, Jurusan Matematika, FMIPA, Universitas Mulawarman
2Program Studi Statistika, Jurusan Matematika, FMIPA, Universitas Mulawarman
Email korespondensi: yazidprtma@gmail.com

Abstracts DM type II is one of the most common diseases suffered by Indonesian society. To
anticipate the exposure of this disease, an action is needed to reduce the risk by knowing the factors.
Some of the risk factors are Hereditary, Age, Sex, Obesity, Dietary habit, Sports Activities. Research
of the classification of DM type II has been done by using classification methods. Such as CART,
CHAID, ANN and others. The level of accuracy of a classification method such as CART can be
increased to provide better classification results using the boosting method. Boosting is an ensemble
method used to improve the accuracy of a classification method. One of the variations of boosting is
adaboost. Several studies have also shown that adaboost is able to improve the accuracy of a
classification method. This research was conducted to examine the implementation of boosting on
CART method. The results showed that the accuracy of CART after boosting has increased. From the
research results, 300 patients with Diabetes Mellitus were 277 patients suffering from type II DM and
it is obtained that CART method showed a significant variable effect of DM type II with an accuracy of
94% is a hereditary same as boosting CHART method, with higher accuracy than CART method that
is equal to 98.67%.

Keywords: boosting, CART, diabetes melitus tipe II, classification.

Pendahuluan penelitian ini adalah boosting. Boosting

Klasifikasi adalah salah satu metode
statistik untuk mengelompokkan atau
mengklasifikasikan suatu data yang disusun
secara sistematis. Masalah klasifikasi sering
dijumpai dalam kehidupan sehari-hari, baik
klasifikasi data pada bidang akademik,
kesehatan, keuangan, maupun pada bidang
lainnya. Masalah klasifikasi ini muncul ketika
terdapat sebuah pengamatan yang heterogen.
Secara garis besar, klasifikasi dapat diartikan
sebagai metode pengelompokkan atau
pengalokasian suatu objek atau observasi
dalam satu grup tertentu. [1]
CART yang diperkenalkan oleh Breiman et
al (1984) merupakan sebuah metodologi untuk
analisis data yang besar melalui prosedur
pemilihan biner yang digunakan untuk
menggambarkan hubungan antara variabel
respon dengan variabel prediktor. Model yang
dihasilkan oleh CART berupa model pohon.
Model pohon tersebut akan menjadi pohon
klasifikasi jika variabel respon merupakan dua
kategori.[2]
Tingkat akurasi dari suatu metode
klasifikasi dapat ditingkatkan dengan tujuan
memberikan hasil klasifikasi yang lebih baik.
Salah satu cara yang dapat digunakan adalah
dengan menggunakan metode ensemble.
Metode ensemble adalah suatu metode yang
menggabungkan beberapa model klasifikasi
untuk memberikan hasil yang lebih baik [2].
Metode ensemble yang digunakan dalam
diperkenalkan oleh Freund dan Schapire pada
tahun 1995.[3]
Machine Learning (ML) merupakan bagian
dari ilmu Artificial Intellegence (AI) adalah
suatu disiplin ilmu yang berkonsentrasi
dengan desain dan pengembangan algoritma
yang didasarkan pada data input atau
informasi yang didapatkan [3]. Dengan proses
learning, akan didapatkan suatu pola (pattern)
dari suatu informasi yang dapat digunakan
untuk menyelesaikan masalah prediksi dan
klasifikasi.[4]
Diabetes mellitus adalah penyakit yang
ditandai dengan kadar gula darah yang tinggi
yang disebabkan oleh gangguan pada sekresi
insulin atau gangguan kerja insulin atau
keduanya. Diabetes mellitus (DM) dibagi
menjadi beberapa tipe. DM tipe I biasanya
menimbulkan gejala sebelum usia pasien 30
tahun, walaupun gejala dapat muncul kapan
saja. Pasien DM tipe I memerlukan insulin dari
luar tubuhnya untuk kelangsungan
hidupnya. DM tipe II biasanya dialami saat
pasien berusia 30 tahun atau lebih, dan pasien
tidak tergantung dengan insulin dari luar
tubuh, kecuali pada keadaan-keadaan
tertentu. Tipe DM lainnya adalah DM
gestasional, yakni DM yang terjadi pada ibu
hamil, yang disebabkan oleh gangguan
toleransi glukosa pada pasien tersebut. Saat
ini jumlah pasien DM tipe II semakin
meningkat, dikarenakan pola hidup yang

60
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 2017
23 September 2017, Samarinda, Indonesia ISBN: 978-602-50321-0-3

semakin tidak sehat, misalnya kurang aktivitas total sebanyak 300 penderita Diabetes Melitus
fisik serta pola makan yang tidak sehat. Faktor di RS AW Syahranie pada tahun 2015.
risiko untuk DM tipe II antara lain: genetik, Tabel 2. Tabulasi Status DM Tipe II terhadap
lingkungan, usia tua, obesitas, kurangnya Riwayat Keluarga
aktivitas fisik, riwayat DM gestasional, serta Riwayat Keluarga
ras atau etnis tertentu. Penderita Diabetes Status DM (X1) Jumlah
Melitus (DM) tipe II memiliki resiko untuk Tipe II
Tidak Ada
menderita penyakit yang berhubungan dengan Tidak Ada
lemak seperti penyakit jantung dan pembuluh 23 0 23
Menderita
darah atau terjadinya komplikasi dengan Menderita 23 254 277
penyakit lain. Untuk mengantisipasi terkena
Jumlah 46 254 300
penyakit DM tipe II, diperlukan suatu tindakan
untuk mengurangi resiko terkena penyakit ini.
Salah satu cara yang dapat dilakukan adalah Berdasarkan Tabel 2 dapat diketahui
dengan mengetahui faktor-faktor resiko yang bahwa pasien yang menderita DM tipe II dan
menyebabkan DM tipe II. memiliki riwayat penyakit DM tipe II sebanyak
Penelitian ini dibatasi pada metode 254 pasien.
machine learning yang digunakan adalah Tabel 3. Tabulasi Status DM Tipe II terhadap
Boosting CART. Faktor-faktor resiko DM tipe II Jenis Kelamin
yang digunakan adalah riwayat keluarga, Jenis Kelamin (X3) Jumlah
umur, jenis kelamin, status obesitas, pola Status DM
Laki- Peremp
makan, dan aktifitas olah raga berdasarkan Tipe II
ketersedian sumber data dari RS AW Laki uan
Syahranie Samarinda.
Tidak
15 8 23
Metodologi Menderita
Penelitian dilakukan bulan Desember
Menderita 122 155 277
2016 sampai dengan Maret 2017 bertempat di
Laboratorium Statistika Terapan Fakultas Jumlah 137 163 300
Matematika dan Ilmu Pengetahuan Alam
Universitas Mulawarman (FMIPA UNMUL)
dengan tempat pengambilan data di Rumah Berdasarkan Tabel 3 di atas dapat
Sakit Abdul Wahab Syahranie Samarinda. diketahui bahwa pasien yang menderita DM
Metode penelitian ini adalah Boosting CART tipe II paling banyak berjenis kelamin
(Classification and Regression Tree), yaitu perempuan sebanyak 155 pasien. Untuk
metode klasifikasi untuk memprediksi dan pasien yang tidak menderita DM tipe II paling
melihat factor apa saja yang sangat banyak adalah laki-laki dengan 15 pasien.
berpengaruh pada penderita diabete mellitus Tabel 4. Tabulasi Status DM Tipe II terhadap
tipe 2. Tahapan penelitian meliputi; Obesitas
pengambilan sampling (purposive sampling), Obesitas (X4)
penentuan sampel dengan pertimbangan Status DM Tipe II Jumlah
tertentu. Tidak
Menderita
Menderita
Hasil dan Pembahasan Tidak Menderita 14 9 23
Statistika Deskriptif Menderita 22 255 277
Berikut adalah jumlah penderita dan status Jumlah 36 264 300
penderita
Tabel 1. Tabulasi Status Penderita Diabetes Berdasarkan Tabel 4 dapat diketahui
Melitus bahwa pasien yang menderita DM tipe II dan
Status Penderita DM tipe II Frekuensi menderita obesitas sebanyak 255 pasien.
Tidak Menderita 23
Menderita 277
Total 300

Berdasarkan Tabel 1 dapat diketahui

bahwa pasien yang menderita DM tipe II
sebanyak 277 pasien. Pasien yang tidak
menderita DM tipe II sebanyak 23 pasien dari

61
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 2017
23 September 2017, Samarinda, Indonesia ISBN: 978-602-50321-0-3

Tabel 5. Tabulasi Status DM Tipe II terhadap varian tergantung pada splitting kriterianya.
Pola Makan Salah satunya adalah CART (Classification
Pola Makan (X5) and Regression Tree). Pada subbab ini,
Status DM sebelum proses boosting, proses sebelumnya
Jumlah
Tipe II
Memenuhi
Tidak adalah dengan melakukan klasifikasi data DM
Memenuhi tipe II dengan menggunakan CART.
Tidak
9 14 23
Menderita Pembentukan Pohon Klasifikas
Menderita 255 22 277
Untuk menentukan root node pada
Jumlah 264 36 300 penelitian ini dengan menggunakan metode
pemilihan indeks Gini sesuai dengan
Berdasarkan Tabel 5 di atas dapat persamaan (1). Adapun hasil perhitungan
diketahui bahwa pasien yang menderita DM kemungkinan pemilah dan nilai indeks Gini
tipe II dan memenuhi kriteria sehat sebanyak dari setiap variabel independen diuraikan
255 pasien. sebagai berikut.
Tabel 6. Tabulasi Status DM Tipe II terhadap Tabel 7. Nilai Indeks Gini Dari Lima Variabel
Aktifitas Olahraga Independen
Aktifitas Olahraga No Variabel Independen Nilai Indeks Gini
Status DM Tipe II (X6) Jumlah 1 Riwayat Keluarga (X1) 0,076
Aktif Kurang 2 Jenis Kelamin (X3) 0,141
Tidak Menderita 9 14 23 3 Obesitas (X4) 0,115
Menderita 255 22 277 4 Pola makan (X5) 0,115
Jumlah 264 36 300 5 Aktifitas Olahraga (X6) 0,115

Berdasarkan Tabel 6 di atas dapat

diketahui bahwa pasien yang menderita DM
tipe II dan aktif berolahraga sebanyak 255
pasien.
Gambar 1. Histogram Status DM Tipe II
Terhadap Umur
Berdasarkan Gambar 1 di atas dapat
diketahui bahwa pasien penderita DM tipe II
paling banyak berusia sekitar 65 tahun yaitu
sebanyak 23 pasien, sedangkan pasien yang
tidak menderita DM tipe II paling banyak
berumur 58 tahun yaitu sebanyak 4 pasien.
Boosting Classification and Regression
Tree
Boosting pada awalnya diterapkan dengan
menggunakan base learnernya adalah
Decision Tree. Decision Tree memiliki banyak
Dari hasil perhitungan nilai Indeks Gini
kelima variabel independen, dapat diketahui
bahwa variabel yang memiliki nilai indeks Gini
terkecil adalah variabel riwayat keluarga
dengan nilai indeks Gini 0,076 sehingga
riwayat keluarga menjadi root node.
Dapat dilihat bahwa variabel yang memiliki
nilai impurity tertinggi adalah Riwayat
Keturunan, yang menunjukkan apakah pasien
memiliki riwayat ketururan DM tipe II atau
tidak. Dapat digunakan untuk keperluan
prediksi, sebagai contoh apabila seorang
pasien memiliki riwayat keturunan DM tipe II,
maka dia berpeluang besar menderita DM tipe
II.
Penentuan Terminal node
Tahap kedua yaitu tahap penentuan
terminal node. Node t dikatakan sebagai
terminal node jika tidak terdapat penurunan
keheterogenan yang berarti sehingga tidak
akan dipilah lagi.
Dapat diketahui bahwa pohon klasifikasi
maksimal yang terbentuk mempunyai
kedalaman 7. Kedalaman tersebut merupakan
level atau tingkatan dalam pohon maksimal,
setiap level terdiri dari beberapa node.
Kedalaman dihitung dari node utama sampai
node terminal terbawah, semakin besar pohon
klasifikasi maka akan semakin besar
kedalaman pohon. Sedangkan terminal node

62
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 2017
23 September 2017, Samarinda, Indonesia
yang dihasilkan oleh pohon klasifikasi
maksimal adalah 7 terminal node.
Penandaan Label Kelas
Tahap ketiga adalah penamaan label
kelas, dimana pemberian label kelas untuk
setiap node. Sebagai contoh untuk node 1.
Sehingga node induk diberi label kelas
memiliki riwayat, karena peluang kelas
tersebut lebih besar dari pada peluang kelas
tidak memiliki riwayat. Proses penandaan
label kelas ini berlaku pada semua node
terutama node terminal, karena terminal node
adalah node yang sangat penting dalam
memprediksi suatu objek pada kelas tertentu
jika objek berada pada terminal node tersebut.
Pemangkasan Pohon Klasifikasi Untuk
Mendapatkan Pohon Optimal
Gambar 2. Plot Relative Cost
Nilai relative cost yang dimiliki pohon
maksimal (0,185) lebih besar dibandingkan
nilai relative cost yang dimiliki pohon optimal
(0,083). Oleh karena itu perlu dilakukan
pemangkasan pohon maksimal agar
didapatkan nilai relative cost yang paling kecil.
Berdasarkan Gambar 2 menunjukkan nilai
relative cost minimum pada pohon optimal
sebesar 0,083 dan nilai parameter complexity
sebesar 0,072 yang menunjukkan bahwa nilai
relative cost minimum lebih besar dari
parameter complexity maka tidak perlu lagi
ada pemangkasan karena sudah terbentuk
pohon klasifikasi yang optimal, sehingga
terbentuk pohon klasifikasi optimum seperti
pada Gambar 3.
63
ISBN: 978-602-50321-0-3
Gambar 3. Pohon Optimal setelah dilakukan
proses pruning
Pohon optimal yang sudah dipangkas dan
telah terpilih setelah dilakukan proses
pemangkasan pohon atau pruning dapat
dilihat pada Gambar 3.
Berdasarkan Gambar 3 dapat diketahui
bahwa variabel independen yang menjadi
pemilah utama pada pohon klasifikasi optimal
adalah variabel riwayar keturunan (X1).
Pengamatan node utama (node 1) dipilah
menjadi dua node anak berdasarkan variabel
meliliki riwayat keturunan atau tidak memiliki
riwayat keturunan. Dari 300 pengamatan pada
node 1, sebanyak 46 pengamatan dipilah ke
node kanan (node 2 ). Sedangkan sebanyak
254 pengamatan dipilah ke node kiri (node 1).
Adapun interpretasi hasil untuk masing-
masing node terminal adalah sebagai berikut:
1. Terminal node 1 terdiri dari 254
pengamatan yang diprediksi sebagai
kelompok penderita diabetes melitus tipe II
yang memiliki riwayat keturunan.
2. Terminal node 2 terdiri dari 46
pengamatan yang diprediksi sebagai
kelompok penderita diabetes melitus tipe II
yang tidak memiliki riwayat keturunan.
Hasil Klasifikasi dan Akurasi dari Metode
CART
Pohon klasifikasi optimal yang telah
terpilih tadi kemudian dilihat hasil klasifikas
dan diuji tingkat keakuratannya dalam
mengelompokkan data. Dari hasil output
software SPSS Modeler dapat dilihat hasil
dan ketepatan metode CART pada Tabel 4.8
berikut.
 Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 2017
23 September 2017, Samarinda, Indonesia ISBN: 978-602-50321-0-3

Tabel 8. Predictor Importance menggunakan diklasifikasikan ke dalam kategori menderita

DM tipe II.
CART
Berdasarkan Tabel 9 dapat dilihat bahwa
Variabel
Persentase untuk pasien yang menderita DM tipe II salah
CART terklasifikasi menjadi tidak menderita ada
Riwayat 0,47% sebanyak 15 pengamatan. Sedangkan yang
tidak menderita yang salah terklasifikasi
Obesitas 0,19%
menderita DM tipe II ada sebanyak 3 pasien.
Jenis Kelamin 0,11% Total pengamatan yang misklasifikasi
Akfitas Olahraga 0,11% dengan menggunakan metode CART ada
sebanyak 18 pengamatan, angka BP (Benar
Pola Makan 0,11%
Positif) dan TN (Benar Negatif) sehingga
Umur 0,01% didapatkan tingkat akurasi ketepatan
klasifikasi CART sebagai berikut :
Pada Tabel 8 dapat dilihat bahwa riwayat
keluarga memiliki predictor importance yang Akurasi =
paling besar sebesar 0,47%, lalu obesitas
sebesar 0,19%, sedangkan jenis kelamin, Sehingga akurasi dari model CART ini adalah
aktifitas olahraga, dan pola makan memiliki sebesar 94,0%.
predictor importance yang sama besarnya
yaitu 0,11%, dan yang paling kecil yaitu umur Proses Boosting CART
sebesar 0,01%. Dari Tabel 8 juga dapat dilihat Proses selanjutnya adalah melakukan
riwayat keluarga merupakan variabel yang boosting pada metode CART. Boosting di
paling berpengaruh untuk terjadinya DM tipe II dalam penelitian ini berfungsi untuk
yaitu sebesar 0,47% sedangkan umur menjadi meningkatkan tingkat akurasi dari hasil
variabel yang pengaruhnya paling kecil untuk klasifikasi pada percobaan metode
terjadinya DM tipe II dengan menggunakan sebelumnya yaitu metode CART, proses
CART ini yaitu hanya sebesar 0,01% atau boosting pada penelitian ini tentu saja
hampir tidak berpengaruh. merubah hasil klasifikasi dari metode CART
Berikut adalah tabel hasil dan ketepatan dan mendapatkan hasil klasifikasi yang tingkat
klasifikasi CART. akurasinya lebih tinggi dari CART.
Tabel 9. Confusion matrix dengan metode Dari hasil output software SPSS Modeler
CART dapat dilihat hasil dan ketepatan metode
Prediksi boosting CART seperti pada Tabel 4.10.
Model CART Tidak Jumlah Tabel 10. Predictor Importance menggunakan
Menderita
Menderita Boosting CART
Tidak Persentase
20 3 23 Variabel Boosting
Aktual Menderita
Menderita 15 262 277 CART
Riwayat 0,48%
Pada Tabel 9 diberikan objek yang tepat
Obesitas 0,17%
diklasifikasikan dan yang salah untuk masing-
masing kelompok. Angka yang diblok Jenis Kelamin 0%
menyatakan jumlah obyek kelompok tertentu Akfitas Olahraga 0,17%
yang salah klasifikasi atau misclassification
Pola Makan 0,17%
oleh metode ini.
Dari 23 pengamatan yang diklasifikasikan Umur 0,01%
ke dalam kategori tidak menderita DM tipe II,
diperoleh 20 pasien tepat diklasifikasikan ke Pada Tabel 10 dapat dilihat bahwa riwayat
dalam kategori tidak menderita DM tipe II dan keluarga memiliki predictor importance yang
3 pasien tidak tepat diklasifikasikan ke dalam paling besar sebesar 0,48%, lalu obesitas,
kategori tidak menderita DM tipe II. aktifitas olahraga, dan pola makan sebesar
Dari 277 pengamatan yang 0,17 %, umur sebesar 0,01% dan Jenis
diklasifikasikan ke dalam kategori menderita kelamin yang paling kecil yaitu sebesar 0%.
DM tipe II, diperoleh 262 pasien tepat Dari Tabel 4.10 di atas juga dapat dilihat
diklasifikasikan ke dalam kategori menderita riwayat keluarga merupakan variabel yang
DM tipe II dan 15 pasien tidak tepat paling berpengaruh untuk terjadinya DM tipe II
yaitu sebesar 0,48% sedangkan jenis kelamin

64
 Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 2017
23 September 2017, Samarinda, Indonesia
menjadi variabel yang pengaruhnya paling
kecil untuk terjadinya DM tipe II dengan
menggunakan Boosting CART ini yaitu hanya
sebesar 0% atau tidak berpengaruh. Tabel
yang memperlihatkan perbandingan antara
data aktual dan hasil prediksi dengan
menggunakan metode CART.
Berikut adalah tabel hasil dan ketepatan
klasifikasi Boosting CART.
Tabel 11. Confusion matrix dengan metode
Boosting CART
Prediksi
Model Boosting
Tidak
CART
Menderita
Menderita
Tidak
19 4 23
Menderita
Aktual
Menderita 0 277
Pada Tabel 11 diberikan objek yang tepat
diklasifikasikan dan yang salah untuk masing-
masing kelompok. Angka yang diblok
menyatakan jumlah obyek kelompok tertentu
yang salah klasifikasi atau misclassification
oleh metode ini.
Dari 23 pengamatan yang diklasifikasikan
menjadi kategori tidak menderita DM tipe II,
diperoleh 19 pasien tepat diklasifikasikan ke
dalam kategori tidak menderita DM tipe II dan
4 pasien tidak tepat diklasifikasikan ke dalam
kategori tidak menderita DM tipe II.
Dari 277 pengamatan yang
diklasifikasikan ke dalam kategori menderita
DM tipe II, diperoleh 277 pasien tepat
diklasifikasikan ke dalam kategori menderita
DM tipe II dan tidak ada pasien tidak tepat
diklasifikasikan ke dalam kategori menderita
DM tipe II.
Berdasarkan Tabel 9 dapat dilihat bahwa
untuk pasien yang menderita DM tipe II salah
terklasifikasi menjadi tidak menderita ada
sebanyak 4 pengamatan. Sedangkan yang
tidak menderita yang salah terklasifikasi
menderita DM tipe II ada sebanyak 0 pasien.
Total pengamatan yang misklasifikasi dengan
menggunakan metode Boosting CART ada
sebanyak 4 pengamatan, angka BP (Benar
Positif) dan BN (Benar Negatif) sehingga
didapatkan tingkat akurasi ketepatan
klasifikasi CART sebagai berikut :
Akurasi =
Sehingga akurasi dari model Boosting CART
ini adalah sebesar 98,67%.
ISBN: 978-602-50321-0-3
Kesimpulan
Berdasarkan analisis maka kesimpulan dari
penelitian ini adalah sebagai berikut.
1. Faktor-faktor yang paling signifikan
mempengaruhi terjadi Klasifikasi DM tipe II
di RS Abdul Wahab Syahranie tahun 2015
dengan penerapan CART ialah riwayat
keluarga.
2. Faktor-faktor yang paling signifikan
mempengaruhi terjadi Klasifikasi DM tipe II
di RS Abdul Wahab Syahranie tahun 2015
dengan penerapan Boosting CART ialah
Jum riwayat keluarga.
3. Hasil Klasifikasi dan akurasi DM tipe II di
lah
RS Abdul Wahab Syahranie tahun 2015
dengan penerapan CART didapatkan
sebesar 282 data yang dapat
terklasifikasikan dengan tepat dan akurasi
sebesar 94,0%.
277 4. Hasil Klasifikasi dan akurasi DM tipe II di
RS Abdul Wahab Syahranie tahun 2015
dengan penerapan Boosting CART
didapatkan sebesar 296 data yang dapat
terklasifikasikan dengan tepat dan akurasi
sebesar 98,67%.
Daftar Pustaka
[1] Johnson, R. and Wichern D. (2007).
Applied Multivariate Statistical Analysis
Sixth Edition. New Jersey: Pearson
Prentice Hall.
[2] Breiman, L., Friedman, J.H., Olsen, R.A.,
and Stone, C.J. (1984). Classification and
Regression Trees. New York: Chapman &
Hall.
[3] Rokach, Lior. (2010). Pattern
Classification using Ensembles Methods.
World Scientific Publishing Co. Pte. Ltd.
[4] Zhang, Y. (2010). New Advance in
Machine Learning. In-Tech. Croatia
[5] Adiningsih, R.U. (2011). Faktor-Faktor
Yang Berhubungan Dengan Kejadian
Diabetes Militus Tipe 2 Pada Orang
Dewasa di Kota Padang Panjang. Skripsi
S-1 Ilmu Kesehatan Masyaakat
Universitas Andalas Padang
[6] Bagus, Sartono, Utami Dyah Syafitri
(2010) Metode Pohon Gabungan: Solusi
Pilihan Untuk Mengatasi Kelemahan
Pohon Regresi Dan Klasifikasi Tunggal
(Ensemble Tree : An Alternative toward
Simple Classification and Regression
Tree) Forum Statistika dan Komputasi,
April 2010 p : 1-7 Vol 15 No.1 ISSN :
0853-8115
[7] Fernanda, Jerhi Wahyu (2012) Boosting
Neural Network dan Boosting Cart Pada
Klasifikasi Diabetes Militus Tipe II Jurnal
65
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 2017
23 September 2017, Samarinda, Indonesia ISBN: 978-602-50321-0-3

Matematika Vol. 2 No. 2, Desember 2012. [15] Nathan, D.M., Delahanty, L.M. (2009).
ISSN : 1693-1394 Menaklukkan Diabetes. Gramedia:Jakarta
[8] Freund Y, Schapire R E. (1997). A [16] Okun, O.(2011). Feature Selection and
decision- theoretic generalization of on- Ensemble Methods for
line learning and an application to Bioinformatics:Algorithmic Classification
boosting. Journal of Computer and System and Implementations. United States of
Sciences, 55:119-139. America:IGI Global
[9] Furqon. (1997). Statistik Terapan Untuk [17] Schaefer, R.L. (1986). Alternative
Penelitian. Bandung: Alphabeta. Estimators in logistic Reggresion When
[10] Giudici, Paolo. (2003). Applied Data the Data are Collinear. Stat Comput Simul,
Mining, Statistical Method for Business 25, 75-91.
and industry. Italy: Faculty of [18] Siegel, S. (1985). Statistika Nonparametrik
Economics Unversity of Pavia. Untuk Ilmu-Ilmu Sosial, Jakarta:
[11] Handayani, S.A. (2003). Faktor-Faktor Gramedia.
Risiko Diabetes Melitus Tipe II di [19] Statsoft, (2003). Classification and
Semarang dan Sekitarnya. Thesis S-2 Regression Trees (C&RT) Theory and
Magister Ilmu Kesehatan Masyarakat Application.
Universitas Diponegoro Semarang http://www.statsoft.com/textbook/stCART.
[12] Jonathan, S. et. al. (1999). The html. Diakses pada tanggal 15 September
Epidemiology of Diabetes : a World-Wide 2016.
Problem. University of Sydney. [20] Sugiyono. (2010). Statistik Nonparametrik
[13] Khardori, R. (2011). Type 2 Diabetes untuk Penelitian. CV. Bandung: Alfabeta
Melitus. [21] Timofeev, Roman. (2004). Classification
http://emedicine.medscape.com/article/11 and Regression Trees (C&RT) Theory and
7853-overview#a0104. Diakses pada Application. A Master Thesis. CASE-
tanggal 25 Oktober 2016 pukul 20.00. Center of Applied Statistics and
[14] Lewis, R.J. (2000). An Introduction to Economics. Berlin: Humboldt University.
Classification and Regression Tree [22] Yohannes, Y dan Hoddinott, J. (1999).
(CART) Analysis. Annual Meeting of the Classification and Regression Trees: An
Society for Academic Emergency Introduction. Washington, D.C:
Medicine in San Franscisco. California: International Food Policy Research
Departement of Emergency Medicine. Institute.

66