Penerapan Algoritma Naive Bayes Dan Support Vector Machine dalam Memprediksi Autisme
Abstract
Abstrak
Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan saraf yang menyebabkan anak mengalami gangguan dalam kemampuan komunikatif, fungsi sosial, dan perilaku kaku atau berulang. Diagnosis terhadap screening autisme adalah langkah awal untuk mengetahui kondisi anak dalam proses penanganan autisme secara dini. Konsultasi dengan dokter atau tenaga medis menjadi pilihan utama yang dilakukan oragtua, namun keterbatasan tenaga medis yang berfokus terhadap perkembangan otak membuat orang tua sulit menangani anaknya. Machine learning menjadi salah satu alternatif dalam penanganan penyakit terutama autisme untuk membantu meningkatkan kemampuan pendeteksian otomatis. Dalam penelitian yang telah dilakukan dengan menerapkan dua algoritma data mining yaitu algoritma Naive Bayes dan Support Vector Machine (SVM) kedua algoritma kemudian dikomparasi dimana hasil yang ditunjukan algoritma Naive Bayes mendapatkan hasil akurasi 96,45% sedangkan Support Vector Machine (SVM) mendapatkan hasil akurasi 81,56% dan disimpulkan dalam penelitan ini algoritma yang paling sesuai untuk mendeteksi penyakit autisme yaitu Naive Bayes dimana memiliki akurasi yang lebih baik saat pengujian.
Kata Kunci : Deteksi Autisme , Naive Bayes, Support Vector Machine
Abstract
Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder that causes children to experience impairments in communicative abilities, social functioning, and rigid or repetitive behaviors. Diagnosis of autism screening is the first step to knowing the condition of children in the process of handling autism early. Consultation with a doctor or medical personnel is the main choice made by oragtua, but the limitations of medical personnel who focus on brain development make it difficult for parents to handle their children. Machine learning is one of the alternatives in the treatment of diseases, especially autism, to help improve automatic detection capabilities. In research that has been done by applying two data mining algorithms, namely naive bayes algorithm and support vector machine (SVM) both algorithms are then compared where the results shown by naive bayes algorithm get an accuracy of 96.45% while support vector machine (SVM) gets an accuracy of 81.56% and concluded in this study the most suitable algorithm to detect autism disease is Naive Bayes which has better accuracy when testing.
Keywords: Autism Detection, Naive Bayes, Support Vector Machine
Full Text:
PDF (Bahasa Indonesia)References
Fauzi, A., Supriyadi, R., & Maulidah, N. (2020). Deteksi Penyakit Kanker Payudara dengan Seleksi Fitur berbasis Principal Component Analysis dan Random Forest. 2(1).
Jennings Dunlap, J. (2019). Autism Spectrum Disorder Screening and Early Action. Journal for Nurse Practitioners, 15(7), 496–501. https://doi.org/10.1016/j.nurpra.2019.04.001
Riadi, I., Umar, R., & Aini, F. D. (2019). Analisis Perbandingan Detection Traffic Anomaly Dengan Metode Naive Bayes Dan Support Vector Machine (Svm). ILKOM Jurnal Ilmiah, 11(1), 17–24. https://doi.org/10.33096/ilkom.v11i1.361.17-24
Rydzewska, E., Hughes-McCormack, L. A., Gillberg, C., Henderson, A., MacIntyre, C., Rintoul, J., & Cooper, S. A. (2019). General health of adults with autism spectrum disorders – A whole country population cross-sectional study. Research in Autism Spectrum Disorders, 60(January 2018), 59–66. https://doi.org/10.1016/j.rasd.2019.01.004
Somantri, O., Wiyono, S., & Dairoh, D. (2016). Metode K-Means untuk Optimasi Klasifikasi Tema Tugas Akhir Mahasiswa Menggunakan Support Vector Machine (SVM). Scientific Journal of Informatics, 3(1), 34–45. https://doi.org/10.15294/sji.v3i1.5845
Sugara, B., Adidarma, D., & Budilaksono, S. (2019). Perbandingan Akurasi Algoritma C4.5 dan Naive Bayes Untuk Deteksi Dini Gangguan Autisme Pada Anak. Jurnal IKRA-ITH Informatika, 3(1), 119–128.
Sugara, B., Widyatmoko, D., Prakoso, B. S., & Saputro, D. M. (2018). Penerapan Algoritma C4.5 untuk Deteksi Dini Autisme Pada Anak. Seminar Nasional Teknologi Informasi Dan Komunikasi (SENTIKA), 2018(Sentika), 87–96.
Sulastri, H., & Gufroni, A. I. (2017). Penerapan Data Mining Dalam Pengelompokan Penderita Thalassaemia. Jurnal Nasional Teknologi Dan Sistem Informasi, 3(2), 299–305. https://doi.org/10.25077/teknosi.v3i2.2017.299-305
Thabtah, F. (2017). Autism Spectrum Disorder Screening : Machine Learning Adaptation and DSM-5 Fulfillment. 1–6.
Wirawan, I. N. T., & Eksistyanto, I. (2015). Penerapan Naive Bayes Pada Intrusion Detection System Dengan Diskritisasi Variabel. JUTI: Jurnal Ilmiah Teknologi Informasi, 13(2), 182. https://doi.org/10.12962/j24068535.v13i2.a487
DOI: https://doi.org/10.31294/swabumi.v10i1.12294
INDEXING
P-ISSN : 2355-990X E-ISSN: 2549-5178
