Penerapan Algoritma Naïve Bayes dengan Seleksi Fitur Algoritma Genetika Untuk Prediksi Gagal Jantung
Abstract
Jantung merupakan organ penting yang dimiliki oleh manusia, jantung memiliki peranan yang sangat besar untuk mendistribusikan darah keseluruh bagian tubuh pada manusia sehingga jika terjadi masalah pada jantung otomatis akan terjadi masalah juga pada organ tubuh yang lain, sehingga peneltian mngenai kelangsungan hidup pasien gagal jantung layak untuk dilakukan. Naïve bayes merupakan algoritma klasifikasi yang mudah dalam penggunaannya tetapi naïve bayes memiliki kelemahan-kelemahan yang mengakibatkan performa dari naïve bayes kurang baik, oleh sebab itu diperlukan seleksi fitur salah satunya adalah dengan menggunakan algoritma genetika, algoritma genetika merupakan algoritma yang mampu untuk melakukan seleksi terhadap atribut-atribut dalam penelitian dengan adanya algortima genetika maka atribut akan dipilih berdasarkan bobot yang paling tinggi agar akurasi dari prediksi Naïve beyes lebih optimal. Penelitian sebelumnya dengan Naïve bayes tingkat akurasi hanya sampai 69,60% setelah dilakukan seleksi fitur dengan algortitma genetika tingkat akurasi meningkat menjadi 96,67% , hal ini menunukan bahwa algortima genetika mampu untuk meningkatkan tingkat akurasi.
Full Text:
PDF (43-48)References
Merdeka, “6 Fungsi Jantung pada Manusia, Ketahui Secara Teliti | merdeka.com.” .
Halodoc, “Penyakit Jantung - Pengertian, Gejala, Penyebab, Faktor Risiko, Diagnosis, Pencegahan, Pengobatan, Kapan Harus ke Dokter? | Halodoc.com,” HaloDoc. .
WHO, “Cardiovascular diseases (CVDs),” 12 Mei, 2017. .
www.pjnhk.go.id, “Berdamai dengan Penyakit Jantung.” .
D. Chicco and G. Jurman, “Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone,” BMC Med. Inform. Decis. Mak., vol. 20, no. 1, pp. 1–16, 2020, doi: 10.1186/s12911-020-1023-5.
S. Rahayu, J. J. Purnama, A. B. Pohan, F. S. Nugraha, S. Nurdiani, and S. Hadianti, “Prediction of survival of heart failure patients using random forest,” J. Pilar Nusa Mandiri, vol. 16, no. 2, pp. 255–260, 2020.
S. Busono, “Optimasi Naive Bayes Menggunakan Algoritma Genetika Sebagai Seleksi Fitur Untuk Memprediksi Performa Siswa,” J. Ilm. Teknol. Inf. Asia, vol. 14, no. 1, p. 31, 2020, doi: 10.32815/jitika.v14i1.400.
M. Y. Bakhtiar, “Klasifikasi Penelitian Dosen Menggunakan Naïve Bayes Classifier dan Algoritma Genetika,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 5, no. 2, p. 134, 2020, doi: 10.30998/string.v5i2.6912.
O’Reilly, “14. Naive Bayes - Data Algorithms [Book].”
Suyanto, Algoritma Genetika dalam MATLAB. Yogyakarta: Andi, 2015.
H. N. Firqiani, A. Kustyo, and E. P. Giri, “Seleksi Fitur Menggunakan Fast Correlation Based Filter pada Algoritma Voting Feature Intervals 5,” J. Ilm. Ilmu Komput., vol. 6, no. 2, p. 245184, 2008.
DOI: https://doi.org/10.31294/evolusi.v9i2.11141
ISSN: 2657-0793 (online). ISSN: 2338-8161 (print)
