KLASIFIKASI DIAGNOSIS PENYAKIT GINJAL KRONIS DENGAN MENERAPKAN KONSEP ALGORITMA NAÏVE BAYES

Siti Noor Chotimah, Ade Ricky Rozzaqi

Abstract


Tingginya angka kematian yang disebabkan oleh Penyakit Ginjal Kronis (PGK) membuat makin banyaknya penelitian mengenai teknologi di bidang kesehatan untuk membantu mengklasifikasinya. Penelitian ini memiliki tujuan untuk melakukan klasifikasi penyakit ginjal kronis dengan menggunakan algoritma klasifikasi Naïve Bayes dan mengetahui faktor yang mempengaruhi hasil akurasinya. Tahapan pertama dataset mentah diolah dalam tahap pre-processing untuk menghilangkan missing value dan transformasi data. Sementara pada tahapan kedua, dataset yang telah melalui tahap pre-processing diklasifikasikan dengan dua perlakuan. Perlakuan pertama menggunakan cross validation k= 5 dan perlakuan kedua menggunakan k=10. Hasil yang diperoleh menunjukkan bahwa perlakuan jumlah folds pada cross validation k=5 memiliki hasil akurasi yang lebih tinggi yaitu 80%. Sedangkan penggunaan k=10 memiliki hasil akurasi sebesar 76%. Penggunaan jumlah k=5 ini dianggap dapat mengurangi terjadinya overfitting dari dataset yang digunakan. Besaran hasil akurasi ini dapat dipengaruhi dari perlakuan yang diberikan pada dataset yang digunakan pada saat penelitian dilakukan.

 


Keywords


Penyakit Ginjal Kronis, Klasifikasi Penyakit, Algoritma Klasifikasi, Algoritma Naïve Bayes

Full Text:

PDF

References


Almustafa, K. M. (2021). Prediction of chronic kidney disease using different classification algorithms. Informatics in Medicine Unlocked, 24, 100631. https://doi.org/10.1016/j.imu.2021.100631

Chen, G., Liu, Y., & Ge, Z. (2019). K-means Bayes Algorithm For Imbalanced Fault Classification and Big Data Application. Journal of Process Control, 81, 54–64. https://doi.org/10.1016/j.jprocont.2019.06.011

Chotimah, S. N., Warsito, B., & Surarso, B. (2021). Chronic Kidney Disease Diagnosis System using Sequential Backward Feature Selection and Artificial Neural Network. E3S Web of Conferences, 317, 1–8. https://doi.org/10.1051/e3sconf/202131705030

Hidayangsih, P. S., Tjandrarini, D. H., Sukoco, N. E. W., Sitorus, N., Dharmayanti, I., & Ahmadi, F. (2023). Chronic Kidney Disease in Indonesia: Evidence From a National Health Survey. Osong Public Health and Research Perspectives, 14(1), 23–30. https://doi.org/10.24171/j.phrp.2022.0290

Islam, M. A., Majumder, M. Z. H., & Hussein, M. A. (2023). Chronic kidney disease prediction based on machine learning algorithms. Journal of Pathology Informatics, 14(September 2022), 100189. https://doi.org/10.1016/j.jpi.2023.100189

Permana, A. A., S, W., Santoso, L. W., Wibowo, G. W. N., Wardhani, A. K., Wahidin, A. J., Rahmaddeni, R., Yuliastuti, G. E., Wijayanti, R. R., Elisawati, E., & Abdurrasyid, A. (2023). Machine Learning. Global Eksekutif Teknologi. https://books.google.co.id/books?id=1%5C_muEAAAQBAJ

Sanubari, T., Prianto, C., & Riza, N. (2020). Odol (One Desa One Product Unggulan Online) Penerapan Metode Naive Bayes Pada Pengembangan Aplikasi E-Commerce Menggunakan Codeigniter. Kreatif. https://books.google.co.id/books?id=s4j%5C_DwAAQBAJ

Sejuti, Z. A., & Islam, M. S. (2023). A Hybrid CNN–KNN Approach For Identification of COVID-19 With 5-Fold Cross Validation. Sensors International, 4(November 2022), 100229. https://doi.org/10.1016/j.sintl.2023.100229

Sidiq, Y. N. S., Fathonah, R. N. S., & Riza, N. (2020). Metode Klasifikasi Menentukan Kenaikan Level UKM Bandung Timur Dengan Algoritma Naive Bayes Pada Sistem JURAGAN Berbasis Komunitas. CV. Kreatif Industri Nusantara. https://books.google.co.id/books?id=BIv9DwAAQBAJ

Wang, Y., Khodadadzadeh, M., & Zurita-Milla, R. (2023). Spatial+: A New Cross-Validation Method to Evaluate Geospatial Machine Learning Models. International Journal of Applied Earth Observation and Geoinformation, 121(February). https://doi.org/10.1016/j.jag.2023.103364

WHO, Romualdez Jr., A. G., dela Rosa, J. F. E., Flavier, J. D. a., Quimbo, S. L. a., Hartigan-Go, K. Y., Lagrada, L. P., David, L. C., Kongsap, A., Paphassarang, C., Phoxay, C., Vonglokham, M., Phommavong, C., Pholsena, S., (WHO), W. H. O., Surgery, E., Hedges, J. P., Mock, C. N., Cherian, M. N., … Who. (2015). Indonesia: WHO statistical profile. Health Systems in Transition, 34(9), 80. https://doi.org/10.1016/S0140-6736(15)60160-X




DOI: https://doi.org/10.26877/jipetik.v4i1.16174

Refbacks

  • There are currently no refbacks.


JIPETIK (Jurnal Ilmiah Penelitian Teknologi Informasi dan Komputer) Indexed and Include Database on :

    


Copyright of JIPETIK ISSN 2722-953X (online)