Font Size: 

Virus Covid-19 adalah kelompok dari coronavirus yang menyerang sistem pernafasan. Namun virus ini juga dapat menyebabkan infeksi paru-paru sehingga dapat membahayakan pasien apabila tidak ditangani dengan baik. Dalam masa pandemi sejak tahun 2020, jumlah pasien terus meningkat namun jumlah ruang ICU terbatas sehingga dibutuhkan kriteria pasien agar penggunaan ruang ICU dapat optimal. Pada penelitian ini dilakukan klasifikasi data pasien Covid-19 yang membutuhkan ICU menggunakan algoritma random forest. Data pasien Covid-19 didapatkan dari website kaggle yang terdiri dari 566.602 baris dan memiliki 23 kolom atribut. Penelitian ini sendiri bertujuan untuk mengetahui hasil akurasi dan f1-score klasifikasi pasien Covid-19 yang membutuhkan ICU dan mengidentifikasi atribut dari pasien yang dapat digunakan untuk klasifikasi pasien Covid-19. Teknik pengujiannya menggunakan 3,5,7,dan 10 fold cross validation, jumlah pohon yang digunakan 10,30,dan 100 pohon. Berdasarkan pengujian yang dilakukan diketahui  bahwa performa optimal didapatkan dari model yang dikenai proses balancing, tanpa deteksi outlier, 100 tree, dan 10 fold dengan f1-score training 85,061% dan akurasi training 87.950%  sedangkan untuk f1-score testing 85,557%  dan akurasi testing 85,319%. Selain itu didapatkan 16 kriteria atribut yang berpengaruh terhadap penentuan pasien Covid-19 untuk mendapatkan ruang ICU yaitu intubed, pneumonia, astma, age, cardiovascular, other_disease, renal_chronic, copd, inmsupr, hypertension, tobacco, obesity, diabetes, contact_other_covid, sex, before_treatment

Balancing , Covid-19, Data Mining, Deteksi Outlier, ICU, Klasifikasi, Random Forest