Klasifikasi Penderita Penyakit Jantung Menggunakan Metode Naïve Bayes dengan Chi-Square untuk Pemilihan Atribut
Abstract
Penelitian ini bertujuan untuk mengetahui apakah pemilihan atribut dataset penyakit jantung dapat memperbaiki algoritma Naïve Bayes. Pemilihan atribut didasarkan pada uji independensi atribut terhadap variabel respons, yaitu target. Atribut yang dipilih adalah atribut yang berpengaruh terhadap variabel respons. Uji pengaruh di sini menggunakan uji Chi-square. Ada dua taraf signifikansi yang digunakan, yaitu 0,05 dan 0,01. Pada keseluruhan pengujian, Naïve Bayes dengan Chi-square pada taraf signifikansi 0,01 bisa meningkatkan akurasi dan presisi metode Naïve Bayes, masing-masing 1% dan 5%. Sedangkan Naïve Bayes tanpa pemilihan atribut menunjukkan kinerja terbaik pada pengukuran recall dibandingkan Naïve Bayes dengan Chi-square.
Keywords
Full Text:
PDFReferences
F. DR. dr. Isman Firdaus Sp.JP (K), FIHA, FAPSIC, FAsCC, FESC, “Hari Jantung Sedunia (World Heart Day): Your Heart is Our Heart Too,” 2019. http://www.inaheart.org/news_and_events/news/2019/9/26/press_release_world_heart_day_perki_2019#:~:text=Berdasarkan data Riset Kesehatan Dasar,di Indonesia menderita penyakit jantung. (accessed Apr. 30, 2021).
G. Perkasa, “Penyakit Jantung Penyebab Kematian Utama di Dunia Artikel ini telah tayang di Kompas.com dengan judul ‘Penyakit Jantung Penyebab Kematian Utama di Dunia’, Klik untuk baca: https://lifestyle.kompas.com/read/2020/12/14/101607520/penyakit-jantung-penyebab-ke,” 2019. .
I. Rish, “An empirical study of the naive Bayes classifier,” vol. 3, no. 22, pp. 4863–4869, 2001.
Y. I. Kurniawan, T. Cahyono, Nofiyati, E. Maryanto, A. Fadli, and N. R. Indraswari, “Preprocessing Using Correlation Based Features Selection on Naive Bayes Classification,” IOP Conf. Ser. Mater. Sci. Eng., vol. 982, no. 1, pp. 0–8, 2020, doi: 10.1088/1757-899X/982/1/012012.
T. S. N. Koeswara, M. S. Mardiyanto, and M. A. Ghani, “Penerapan Particle Swarm Optimization (Pso) Dalam Pemilihan Atribut Untuk Meningkatkan Akurasi Prediksi Diagnosispenyakit Hepatitis Dengan Metode Naive Bayes,” J. Speed – Sentra Penelit. Eng. dan Edukasi, vol. 12, no. 1, pp. 1–10, 2020.
L. W. Astuti, I. Saluza, and M. F. Alie, “Optimalisasi Klasifikasi Kanker Payudara Menggunakan Forward Selection pada Naive Bayes,” vol. 11, no. 2, 2020.
R. Efendi and L. Chairani, “Hubungan Sistem Pembelajaran Daring Di Era COVID-19 Terhadap Kesehatan Mental Guru SD : Uji Chi-Square dan Dependency Degree,” pp. 608–615, 2020.
J. Abellán and J. G. Castellano, “Improving the Naive Bayes classifier via a quick variable selection method using maximum of entropy,” Entropy, vol. 19, no. 6, 2017, doi: 10.3390/e19060247.
E. Manalu, F. A. Sianturi, and M. R. Manalu, “Penerapan Algoritma Naive Bayes Untuk Memprediksi Jumlah Produksi Barang Berdasarkan Data Persediaan dan Jumlah Pemesanan Pada CV. Papadan Mama Pastries,” J. Mantik Penusa, vol. 1, no. 2, pp. 16–21, 2017, [Online]. Available: https://ezp.lib.unimelb.edu.au/login?url=https://search.ebscohost.com/login.aspx?direct=true&db=ffh&AN=2008-10-Aa4022&site=eds-live&scope=site.
P. Subarkah, E. P. Pambudi, and S. O. N. Hidayah, “Perbandingan Metode Klasifikasi Data Mining untuk Nasabah Bank Telemarketing,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 20, no. 1, pp. 139–148, 2020, doi: 10.30812/matrik.v20i1.826.
DOI: https://doi.org/10.31284/p.snestik.2021.1817
Refbacks
- There are currently no refbacks.
Copyright (c) 2021 Maftahatul Hakimah, Rani Rotul Muhima
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.