A.

Data

1. Data Learning 85%

Status
Alanine Aspartate Gamma Glutamyl
Pasien Albumin
Transaminase Transaminase Transferse
Hepatitis
0 Normal <47 <37 < 55
0 Tinggi <47 <37 < 55
0 Rendah <47 <37 < 55
0 Rendah <47 >=37 < 55
0 Rendah <47 <37 < 55
0 Tinggi <47 <37 < 55
0 Tinggi <47 >=37 <55
0 Normal <47 <37 < 55
0 Rendah <47 <37 < 55
0 Normal <47 <37 >=55
0 Normal <47 <37 >=55
0 Rendah <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Rendah <47 <37 < 55
1 Normal >=47 >=37 < 55
0 Tinggi <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
1 Normal <47 <37 >=55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Tinggi <47 <37 < 55
0 Rendah >=47 >=37 >=55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
1 Normal >=47 >=37 <55
0 Normal >=47 >=37 < 55
0 Normal <47 <37 < 55
 Status Alanine
Aspartate Gamma Glutamyl
Pasien Albumin Transaminas
Transaminase Transferse
Hepatitis e
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal >=47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 >=37 < 55
0 Normal <47 <37 >=55
0 Normal >=47 <37 < 55
0 Normal <47 <37 < 55
0 Tinggi <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Tinggi <47 <37 < 55
0 Rendah <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal >=47 >=37 < 55
0 Tinggi <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal >=47 >=37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Rendah <47 <37 < 55
0 Normal <47 <37 >=55
0 Normal <47 <37 < 55
0 Normal <47 >=37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Normal <47 <37 < 55
0 Tinggi <47 <37 < 55
0 Rendah >=47 >=37 < 55
0 Normal >=47 >=37 < 55
0 Normal <47 <37 < 55
1 Normal <47 <37 < 55
0 Normal >=47 >=37 >=55
B. Program dan Output

Lampiran 2 : Analisis data menggunakan data learning 85%

1. Menampilkan Data

> Fitri1<-read.csv(file.choose())

> Fitri1

Lampiran 3 : Pohon keputusan untuk parent node atau root node

2. Pohon keputusan untuk parent node atau root node

 > fitriTree<-
rpart(Status.Pasien.Hepatitis~Aspartate.Transaminase,data=Fitri1,method="class
",cp=0)
> rpart.plot(fitriTree,type=5,digit=5,fallen.leaves=FALSE)

> print(fitriTree)

Lampiran 4 : Membentuk pohon keputusan maksimal

3. Membentuk pohon keputusan maksimal

> fitriTree<-
rpart(Status.Pasien.Hepatitis~Albumin+Alanine.Transaminase+Aspartate.Transa
minase+Gamma.Glutamyl.Transferse,data=Fitri1,method="class",cp=0)
> rpart.plot(fitriTree,type=5,digit=5,fallen.leaves=FALSE)
> print(fitriTree)

> printcp(fitriTree)

> plotcp(fitriTree)
Lampiran 5 : Pemangkasan pohon berdasarkan complexity parameter minimum
4. Melakukan pemangkasan pohon agar mendapatkan pohon keputusan yang

optimum berdasarkan complexity parameter minimum sehingga

mendapatkan pohon yang terbaik

> fitriTree<-
rpart(Status.Pasien.Hepatitis~Albumin+Alanine.Transaminase+Aspartate.Transa
minase+Gamma.Glutamyl.Transferse,data=Fitri1,method="class",cp=0.052)
> rpart.plot(fitriTree,type=5,digit=5,fallen.leaves=FALSE)

Lampiran 6 : Membuat prediksi menggunakan data testing 15%

5. Membuat prediksi menggunakan data testing berdasarkan pohon keputusan

optimum

> Fitri2<-read.csv(file.choose())

> Fitri2
 > pred<-predict(fitriTree,newdata=Fitri2,type="class")

> test<-table(Fitri2$Status.Pasien.Hepatitis,pred)

> print(test)

Lampiran 7 : Menguji tingkat akurasi, sensitivity, dan spesificity

6. Menguji tingkat akurasi, sensitivity, dan spesificity berdasarkan nilai

prediksi

> Akurasi<-((test[1,1]+test[2,2])/92)

> print(Akurasi)

> Sensitivity<-((test[1,1])/83)

> print(Sensitivity)

> Specificity<-((test[2,2])/9)

> print(Specificity)