Penerapan Algoritma Decision Tree Untuk Prediksi Tingkat Risiko Jentik Nyamuk Berdasarkan Data Pemeriksaan Posyandu

Aines Nafis Husna; Nurmalitasari Nurmalitasari; Afu Ichsan Pradana

doi:10.53842/juki.v8i1.2449

Authors

Aines Nafis Husna Universitas Duta Bangsa Surakarta
Nurmalitasari Universitas Duta Bangsa Surakarta
Afu Ichsan Pradana Universitas Duta Bangsa Surakarta

DOI:

https://doi.org/10.53842/juki.v8i1.2449

Keywords:

Decision Tree, Jentik Nyamuk, Klasifikasi, Tingkat Risiko, Pemantauan Lingkungan

Abstract

Pemantauan jentik nyamuk merupakan kegiatan yang dilakukan untuk mengetahui kondisi lingkungan dan mencegah peningkatan populasi nyamuk yang berpotensi menimbulkan penyakit. Penentuan tingkat risiko wilayah berdasarkan hasil pemeriksaan jentik masih dilakukan secara manual sehingga berpotensi menimbulkan perbedaan penilaian. Penelitian ini bertujuan untuk membangun model klasifikasi tingkat risiko jentik nyamuk menggunakan algoritma Decision Tree berdasarkan data historis pemeriksaan jentik nyamuk. Data yang digunakan merupakan hasil rekapitulasi pemeriksaan jentik nyamuk di Desa Langenharjo, Kecamatan Grogol, periode 2023-2025 sebanyak 65 data. Variabel yang digunakan meliputi jumlah rumah diperiksa, jumlah rumah terdapat jentik, jumlah kontainer diperiksa, dan jumlah kontainer terdapat jentik. Tahapan penelitian meliputi pengumpulan data, preprocessing, pelabelan tingkat risiko, pembentukan model Decision Tree, serta pengujian menggunakan pembagian data sebesar 80% sebagai data latih dan 20% sebagai data uji. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan tingkat risiko jentik nyamuk ke dalam kategori rendah, sedang, dan tinggi dengan tingkat akurasi sebesar 92%. Hasil klasifikasi tersebut kemudian diimplementasikan pada aplikasi berbasis web untuk membantu proses input data dan penyajian informasi. Berdasarkan hasil tersebut, algoritma Decision Tree dapat digunakan sebagai alat bantu dalam menentukan tingkat risiko jentik nyamuk secara lebih objektif serta mendukung pengambilan keputusan dalam kegiatan pemantauan lingkungan.

Downloads

Download data is not yet available.

References

A. N. ZAFIRAH and L. N. Yamani, “GAMBARAN KEPADATAN JENTIK NYAMUK DI WILAYAH KERJA PUSKESMAS KALIJUDAN TAHUN 2024,” Jurnal Kesehatan Tambusai, vol. 6, no. 1, pp. 2998–3007, Mar. 2025, doi: 10.31004/jkt.v6i1.42643.

Kementerian Kesehatan Republik Indonesia, “Kemenkes Keluarkan Surat Edaran Pemberantasan Sarang Nyamuk dengan 3M Plus dan Gerakan 1 Rumah 1 Jumantik,” Kementerian Kesehatan Republik Indonesia. Accessed: Jan. 30, 2026. [Online]. Available: https://kemkes.go.id/id/kemenkes-keluarkan-surat-edaran-pemberantasan-sarang-nyamuk-3m-plus-dan-gerakan-1-rumah-1-jumantik

S. Inriza Yuliandari, “Posyandu Semakin Siap Melayani Masyarakat Semua Usia,” Kementerian Kesehatan Republik Indonesia. Accessed: Jan. 30, 2026. [Online]. Available: https://ayosehat.kemkes.go.id/posyandu-semakin-siap-melayani-masyarakat-secara-menyuluh-?

Direktorat Promosi Kesehatan dan Kesehatan Komunitas, “Pemberantasan Sarang Nyamuk dengan 3M Plus,” Ayo Sehat Kementerian Kesehatan RI. Accessed: Jan. 30, 2026. [Online]. Available: https://ayosehat.kemkes.go.id/pemberantasan-sarang-nyamuk-dengan-3m-plus?

V. Liambana, T. Safrudin, and T. Lestari, “MAHASISWA BERGERAK : PEMERIKSAAN JENTIK NYAMUK UNTUK MENCEGAH PENYEBARAN DBD DI MASYARAKAT,” BESIRU : Jurnal Pengabdian Masyarakat, vol. 2, no. 9, pp. 939–943, Sep. 2025, doi: 10.62335/besiru.v2i9.1815.

D. Jollyta, Prihandoko, A. Hajjah, E. Haerani, and M. Siddik, Algoritma Klasifikasi untuk Pemula: Solusi Python dan RapidMiner. Sleman: Deepublish, 2023.

R. Nursyahfitri, A. N. Maharadja, R. A. Farissa, and Y. Umaidah, “Klasifikasi Penentuan Jenis Obat Menggunakan Algoritma Decision Tree,” Jurnal Informatika Polinema, vol. 7, no. 3, pp. 53–60, Jun. 2021, doi: 10.33795/jip.v7i3.629.

A. S. Biyantoro and B. Prasetyo, “Penerapan Decision Tree untuk Klasifikasi Status Kesehatan dengan perbandingan KNN dan Naive Bayes,” Indonesian Journal of Informatic Research and Software Engineering (IJIRSE), vol. 4, no. 1, pp. 47–55, Mar. 2024, doi: 10.57152/ijirse.v4i1.1342.

A. Mutia Dewi, P. Tia Novita, G. Novillia, and Lindawati, “PREDIKSI DAERAH RAWAN PENYAKIT DEMAM BERDARAH MENGGUNAKAN ALGORITMA C4.5,” Jurnal Kesehatan, Teknologi, dan Sains, 2023, Accessed: Feb. 25, 2026. [Online]. Available: https://jkts.unbp.ac.id/index.php/JKTS/article/view/71/69

S. Danil, N. Rahaningsih, R. D. Dana, and Mulyawan, “PENINGKATAN KLASIFIKASI KEMISKINAN INDONESIA MENGGUNAKAN METODE DECISION TREE,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 2, Apr. 2025, doi: 10.23960/jitet.v13i2.6336.

F. R. Aftha Harianto, Z. Alawi, and I. A. Sa’ida, “PENGARUH KOMPOSISI SPLIT DATA PADA AKURASI KLASIFIKASI PENDERITA DIABETES MENGGUNAKAN ALGORITMA MACHINE LEARNING,” Jurnal Sistem Informasi dan Informatika (Simika), vol. 8, no. 1, pp. 36–44, Jan. 2025, doi: 10.47080/simika.v8i1.3663.

V. Tundjungsari, Buku Dasar Machine Learning. Deepublish, 2024.

B. Q. Husaini and Jemakmun, “Penerapan Algoritma Decision Tree C45 untuk Klasifikasi Penjurusan Siswa,” Jurnal Teknologi Informatika dan Komputer, vol. 9, no. 1, pp. 455–470, Mar. 2023, doi: 10.37012/jtik.v9i1.1512.

C. E. Shannon, “A Mathematical Theory of Communication,” 1948.

J. R. Quinlan, “Induction of Decision Trees,” 1986.

Gunawan, A. Rahmawati, S. Suhada, T. Hidayatulloh, and D. Wintana, “Optimasi Linear Sampling dan Information Gain pada Algoritma Decision Tree Untuk Diagnosis Penyakit Diabetes,” MULTINETICS, vol. 7, no. 2, pp. 124–131, Jan. 2022, doi: 10.32722/multinetics.v7i2.3796.