Komparasi Dalam Prediksi Gagal Jantung Dengan Menggunakan Metode C4.5 dan Naïve Bayes
DOI:
https://doi.org/10.33998/jakakom.2023.3.1.759Abstrak
Industri kesehatan memiliki data kesehatan yang cukup besar, seperti dataset penyakit gagal jantung. Pada penelitian ini penulis memutuskan untuk memprediksi penyakit gagal jantung menggunakan metode C4.5 dan Naïve Bayes. Data yang dipakai diambil dari website kaggle.com yang berjumlah 918 data dengan 12 atribut. Adapun tujuan dari penelitian ini adalah untuk mengetahui perbandingan antara metode C4.5 dan Naïve Bayes dalam mengukur tingkat akurasi. Manfaat dari penelitian ini adalah dapat membantu pihak tenaga kesehatan dalam memprediksi pasien yang berkemungkinan terkena penyakit gagal jantung sehingga dapat menjadi informasi bagi pembaca untuk mengetahui resiko pasien terkena penyakit gagal jantung dengan tingkat akurasi yang tinggi. Proses implementasi metode C4.5 dan yang digunakan meraih tingkat akurasi sebesar 83.67%, presisi sebesar 85.01%, recall sebesar 86.04% dan f1-score sebesar 85.02%. untuk metode C4.5 dengan outlier. Kemudian metode C4.5 tanpa outlier meraih tingkat akurasi sebesar 85.02%, presisi sebesar 86.02%, recall sebesar 87.02% dan f1-score sebesar 86.52%. Dan metode Naïve Bayes yang digunakan meraih tingkat akurasi sebesar 85.30%, presisi sebesar 86.31%, recall sebesar 87.40% dan f1-score sebesar 86.85% untuk metode Naïve Bayes dengan outlier. Kemudian metode Naïve Bayes tanpa outlier meraih tingkat akurasi tertinggi yaitu sebesar 85.57%, presisi sebesar 86.54%, recall sebesar 87.57% dan f1-score sebesar 87.05%. Sehingga dapat disimpulkan bahwa nilai perhitungan akurasi, presisi, recall dan f1-score tertinggi yaitu metode Naïve Bayes tanpa outlier.
Unduhan
Referensi
K. Algoritma, C. Dan, and N. Bayes, “Komparasi algoritma c4.5 dan naive bayes dalam prediksi penderita penyakit gagal jantung,” vol. 5, no. 2, pp. 60–68, 2022.
P. Subarkah, W. R. Damayanti, and R. A. Permana, “Comparison of Correlated Algorithm Accuracy Naive Bayes Classifier and Naive Bayes Classifier for Classification of heart failure,” Ilk. J. Ilm., vol. 14, no. 2, pp. 120–125, 2022, doi: 10.33096/ilkom.v14i2.1148.120-125.
Q. Hasanah, H. Oktavianto, and Y. D. Rahayu, “Analisis Algoritma Gaussian Naive Bayes Terhadap Klasifikasi Data Pasien Penderita Gagal Jantung,” J. Smart Teknol., vol. 3, no. 4, pp. 382–389, 2022.
D. Derisma, “Perbandingan Kinerja Algoritma untuk Prediksi Penyakit Jantung dengan Teknik Data Mining,” J. Appl. Informatics Comput., vol. 4, no. 1, pp. 84–88, 2020, doi: 10.30871/jaic.v4i1.2152.
A. Rohman and M. Rochcham, “Model Algoritma C4.5 Untuk Prediksi Penyakit Jantung,” Neo Tek., vol. 4, no. 2, pp. 52–55, 2018, doi: 10.37760/neoteknika.v4i2.1228.
B. L. Nopitasari, B. Nurbaety, and H. Zuhroh, “Evaluasi Penggunaan Obat Antihipertensi pada Pasien Gagal Jantung Rawat Jalan di Rumah Sakit Umum Daerah Provinsi Nusa Tenggara Barat,” Lumbung Farm. J. Ilmu Kefarmasian, vol. 1, no. 2, p. 66, 2020, doi: 10.31764/lf.v1i2.2542.
PEDOMAN TATA LAKSANA GAGAL JANTUNG, Ke-2. Jakarta Barat: Siswanto BB, Hersunarti N, Erwinanto, Barack R, Pratikto RS, Nauli SE, Lubis AC, 2020.
I. Werdiningsih, Barriy Nuqoba, and Muhammadun, “DATA MINING MENGGUNAKAN ANDROID, WEKA DAN SPSS,” Surabaya: Airlangga University Press, 2020, p. 209.
I. Romli and A. T. Zy, “Penentuan Jadwal Overtime Dengan Klasifikasi Data Karyawan Menggunakan Algoritma C4.5,” J. Sains Komput. Inform. (J-SAKTI, vol. 4, no. 2, pp. 694–702, 2020.
D. Darmansyah, S.Kom M.Kom, “Data Mining Menggunakan Aplikasi Rapid Miner,” in Data Mining Menggunakan Aplikasi Rapid Miner, M. S. Yani, Ed. Sumatera Barat: PT INSAN CENDEKIA MANDIRI, 2020, p. 86.
M. R. Fanani, “Algoritma Naïve Bayes Berbasis Forward Selection Untuk Prediksi Bimbingan Konseling Siswa,” J. DISPROTEK, vol. 11, no. 1, pp. 13–22, 2020, doi: 10.34001/jdpt.v11i1.952.
