Algoritma naive Bayes Untuk Prediksi Penyakit Diabetes

• Bramastyo Kusumo

---

ABSTRAK

Pengklasifikasian penyakit diabetes pada seorang pasien adalah hal yang sangat penting dalam dunia medis, mengingat jika terjadi salah diagnose makan akan berdampak kepada kerugian baik untuk pasien maupun untuk tenaga Kesehatan. Oleh karena itu penulis membuat sebuah system klasifikasi dengan menggunakan metode Naive Bayes untuk mendeteksi dini diagnosa penyakit diabetes kepada pasien. Penulis membuat system ini berbasis web intranet dengan menggunakan Bahasa PHP. Penulis juga menggunakan aplikasi pendukung yaitu Rapid Miner untuk pengujian tingak keakurasian terhadap system yang dibuat. Pengujian metode dilakikan dengan menyiapkan data training sebanyak 364, dan data  testing sebanyak 154 data. Data tersebut akan di uji baik menggunakan system berbasis web dan aplikasi pendukung RapidMineri. Hasil pengujian akurasi diagnose penyakit diabetes cukup tinggi yaitu 87,18%. Jadi dapat disimpulkan bahwa aplikasi berbasis web yang telah diuat dapat mendukung pengambilan keputusan dan diagnose dini dalam penentukan kelas pasien diabetes.

KATA KUNCI

Algoritma

---

DAFTAR PUSTAKA

[1]      D. Sisodia and D. S. Sisodia, “Prediction of Diabetes using Classification Algorithms,” Procedia Comput. Sci., vol. 132, no. Iccids, pp. 1578–1585, 2018, doi: 10.1016/j.procs.2018.05.122.

[2]      G. Schuh et al., “Data mining definitions and applications for the management of production complexity,” Procedia CIRP, vol. 81, pp. 874–879, 2019, doi: 10.1016/j.procir.2019.03.217.

[3]      J. I. Polinema, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi,” vol. IV, no. September, pp. 155–160, 2020.

[4]      C. Fiarni, E. M. Sipayung, and S. Maemunah, “Analysis and prediction of diabetes complication disease using data mining algorithm,” Procedia Comput. Sci., vol. 161, pp. 449–457, 2019, doi: 10.1016/j.procs.2019.11.144.

[5]      R. Chaidir, A. S. Wahyuni, and D. W. Furkhani, “Hubungan Self Care Dengan Kualitas Hidup Pasien Diabetes Melitus,” J. Endur., vol. 2, no. 2, p. 132, 2017, doi: 10.22216/jen.v2i2.1357.

[6]      J. M. Ekoe, R. Goldenberg, and P. Katz, “2018 Clinical Practice Guidelines - Screening for Diabetes in Adults Diabetes Canada,” Can. J. Diabetes, vol. 42, pp. S109–S114, 2018.

[7]      L. I. Prahartiwi and W. Dari, “Algoritma Apriori untuk Pencarian Frequent itemset dalam Association Rule Mining,” PIKSEL  Penelit. Ilmu Komput. Sist. Embed. Log., vol. 7, no. 2, pp. 143–152, 2019, doi: 10.33558/piksel.v7i2.1817.

[8]      C. Maione et al., “Comparative study of data mining techniques for the authentication of organic grape juice based on ICP-MS analysis,” Expert Syst. Appl., vol. 49, pp. 60–73, 2016, doi: 10.1016/j.eswa.2015.11.024.

[9]      L. I. Prahartiwi, “Pencarian Frequent Itemset pada Analisis Keranjang Belanja Menggunakan Algoritma FP-Growth,” vol. 2, no. 1, pp. 1–10, 2017.

[10]    S. Maitra, S. Madan, R. Kandwal, and P. Mahajan, “Mining authentic student feedback for faculty using Naïve Bayes classifier,” Procedia Comput. Sci., vol. 132, pp. 1171–1183, 2018, doi: 10.1016/j.procs.2018.05.032.

[11]    Y. Yuliyana and A. S. R. M. Sinaga, “Sistem Pakar Diagnosa Penyakit Gigi Menggunakan Metode Naive Bayes,” Fountain Informatics J., vol. 4, no. 1, p. 19, 2019, doi: 10.21111/fij.v4i1.3019.

[12]    A. Saleh, “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga,” Creat. Inf. Technol. J., vol. 2, no. 3, pp. 207–217, 2015.

[13]    K. Kesehatan, “No TitleΕΛΕΝΗ,” Αγαη, vol. 8, no. 5, p. 55, 2019.

[14]    F. Handayanna, Rinawati, E. Arisawati, and L. S. Dewi, “Prediksi Penyakit Diabetes Menggunakan Naive Bayes Dengan Optimasi Parameter Menggunakan Algoritma Genetika,” KNiST (Konferensi Nas. Ilmu Sos. Teknol., pp. 71–76, 2017.

[15]    Z. Arifin, “Kriteria Instrumen dalam suatu Penelitian,” vol. 2, no. 1, pp. 28–36, 2017.

[16]    I. Symposium, Computer Vision and Machine Intelligence in Medical Image Analysis. 2019.