Diagnosis demam tifoid yang tepat waktu dan akurat memiliki peran krusial dalam
pengobatan yang efektif dan pencegahan penyebaran penyakit. Oleh karena itu, perlu
dilakukan upaya untuk meminimalkan kesalahan dalam deteksi dan menghindari
keterlambatan dalam diagnosis demam tifoid. Dalam jurnal ini, membahas berbagai
strategi dan pendekatan yang dapat membantu meningkatkan akurasi diagnosis demam
tifoid serta mengurangi risiko penyebaran infeksi, dilakukan penerapan dan
pemanfaatan teknik data mining. Penerapan dan pemanfaatan teknik data mining
mampu menemukan pola. Dampaknya telah mendorong pengembangan sistem
kecerdasan dan penunjang keputusan di bidang kesehatan. Keuntungannya termasuk
kemampuan untuk mendiagnosis penyakit dengan akurasi lebih tinggi, mampu
memprediksi tingkat keparahan berbagai penyakit dan melakukan pengawasan
kesehatan dari jarak jauh.. Data mining adalah rangkaian proses untuk menggali nilai
tambah dari data dengan cara yang tidak diketahui sebelumnya secara manual.
Penelitian ini menggunakan klasifikasi dengan metode Random Forest yang
dikombinasikan dengan metode hyperparameter tuning. Tujuan dari penelitian ini
adalah untuk mengevaluasi performa model yang sudah diolah. Model tersebut dilatih
dengan dataset dan metode hyperparameter tuning yang digunakan adalah Bayesian
Search, dengan validasi menggunakan 10-fold Cross Validation dalam 5 iterasi.
Beberapa hyper-parameter yang dikonfigurasi pada Random Forest antara lain
n_estimators, min_samples_split, max_depth, min_samples_leaf, max_features, dan
bootstrap. Hasil pengujian Random Forest tanpa tuning hyper-parameter memiliki
akurasi sebesar 93,10%, sedangkan dengan tuning Hyper-parameter menggunakan
Bayesian Search, akurasi meningkat menjadi 96,55%.