PENERAPAN ALGORITMA NAÃVE BAYES DAN GREEDY FORWARD SELECTION UNTUK PREDIKSI PENYAKIT GAGAL JANTUNG
Total View This Week0
Total View This Week0
Institusion
Universitas Dinamika Bangsa
Author
Mubin, M. Satria
Subject
Analisis Sistem Informasi
Datestamp
2024-10-19 04:08:30
Abstract :
Gagal jantung merupakan salah satu faktor utama yang berkontribusi terhadap tingginya tingkat morbiditas dan mortalitas di seluruh dunia. Kondisi gagal jantung merujuk pada ketidakmampuan jantung dalam memompa darah dengan efisien untuk memenuhi kebutuhan tubuh akan oksigen dan nutrisi. Gagal jantung sulit dikenali secara klinis, karena presentasi klinis yang beragam dan beberapa tanda klinis yang tidak spesifik pada tahap awal penyakit. Salah satu cara yang dapat digunakan untuk mengatasi permasalahan tersebut adalah dengan menggunakan teknik data mining. Salah satu algoritma klasifikasi dalam data mining yang dapat digunakan adalah Naïve Bayes. Naïve Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Namun algoritma naïve bayes diperlukan optimasi untuk meningkatkan kinerja dari model yang digunakan. Penelitian ini menggunakan seleksi fitur Greedy Forward Selection sehingga akan mendapatkan fitur atau atribut yang relevan. Hasil penelitian menunjukkan bahwa model Naïve Bayes dan Greedy Forward Selection mendapatkan nilai akurasi tertinggi sebesar 81,48% dengan menggunakkan RapidMiner, sedangkan 79,24% menggunakan aplikasi WEKA.
Gagal jantung merupakan salah satu faktor utama yang berkontribusi terhadap tingginya tingkat morbiditas dan mortalitas di seluruh dunia. Kondisi gagal jantung merujuk pada ketidakmampuan jantung dalam memompa darah dengan efisien untuk memenuhi kebutuhan tubuh akan oksigen dan nutrisi. Gagal jantung sulit dikenali secara klinis, karena presentasi klinis yang beragam dan beberapa tanda klinis yang tidak spesifik pada tahap awal penyakit. Salah satu cara yang dapat digunakan untuk mengatasi permasalahan tersebut adalah dengan menggunakan teknik data mining. Salah satu algoritma klasifikasi dalam data mining yang dapat digunakan adalah Naïve Bayes. Naïve Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Namun algoritma naïve bayes diperlukan optimasi untuk meningkatkan kinerja dari model yang digunakan. Penelitian ini menggunakan seleksi fitur Greedy Forward Selection sehingga akan mendapatkan fitur atau atribut yang relevan. Hasil penelitian menunjukkan bahwa model Naïve Bayes dan Greedy Forward Selection mendapatkan nilai akurasi tertinggi sebesar 81,48% dengan menggunakkan RapidMiner, sedangkan 79,24% menggunakan aplikasi WEKA.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
