ALGORITMA KLASIFIKASI NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI PENYAKIT TUBERCULOSIS (TB)

Erika - Mutiara

Abstract


ABSTRAK

Penyakit Tuberculosis (TB) merupakan penyakit paru yang paling menular dan berbahaya. Menurut World Health Organization (WHO) penyakit TB masuk kedalam salah satu dari sepuluh penyebab kematian diseluruh dunia. Lebih dari 10 juta orang terkena infeksi TB dan sekitar 60% terjadi dinegara berkembang seperti Indonesia. Sudah banyak peneliti yang melakukan penelitian untuk memprediksi penyakit tuberculosis. Pada penelitian ini dilakukan optimasi metode Naive Bayes dengan menggunakan Particle Swarm Optimization sebagai seleksi atribut untuk meningkatkan akurasi prediksi yang diaplikasikan terhadap data pasien yang dinyatakan Positif TB dan Negatif TB. Setelah dilakukan pengujian dengan dua model yaitu metode naive bayes dan optimasi naive bayes menggunakan particle swarm optimization sehingga hasil yang didapat dengan menggunakan Naive Bayes diperoleh accucary sebesar 92,69% dengan nilai AUC 0,992 sedangkan pengujian dengan menggunakan optimasi Naive Bayes dengan Particle Swarm Optimization didapatkan nilai accurcy sebesar 98,76% dengan nilai AUC 0,999 dengan tingkat diagnosa excellent classification karena hasil AUC-nya antara 0,90-1,00. Sehingga kedua metode tersebut memiliki perbedaan tingkat akurasi sebesar 6,07% dan perbedaan nilai AUC sebesar 0,007.

 

Keywords: Tuberculosis, Naive Bayes, Seleksi Atribut, Particle Swarm Optimization

 

 

ABSTRACT

Tuberculosis (TB) is the most contagious pulmonary disease and dangerous. According to the World Health Organization (WHO) TB disease is one of the ten leading causes of death worldwide. More than 10 million people exposed to TB infected and around 60% occur in a country growing as Indonesia. There have been many researchers who conducted the study to predict tuberculosis. In this research, Naive Bayes Method Optimization using Particle Swarm Optimization as an attribute selection to improve predictions accuracy applied to patient data that was declared positive TB and negative TB. After testing with two models namely Naive Bayes Method and Naive Bayes Optimization using Particle Swarm Optimization, the results obtained by using the Naive Bayes obtained accucary of 92.69% with the value of AUC 0.992 while testing using Naive Bayes Optimization with Particle Swarm Optimization obtained an accurcy value of 98.76% with the value of AUC 0.999 with excellent classification diagnosis because the AUC results are between 0.90-1.00. So that the two methods have difference levels of accuracy that is equal to 6.07% and the difference in AUC value of 0.007.

 

Keywords: Tuberculosis, Naive Bayes, Selection Attributes, Particle Swarm Optimization


References


Abdullah, R. (2017, Juli-Desember). Studi Karakteristik Penderita TB Paru Aktif ditinjau dari Lesi Foto Thorax di RS Dr Wahidin Sudirohusodo Makasar Pada Periode Januari - Desember 2016. JF FKIK UINAM, Vol.II, 10-21.

Ardiyansyah, Rahayuningsih, P. A., & Maulana, R. (2018, Juni). Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner. Jurnal Khatulistiwa Informatika, VOL. VI(p-ISSN: 2339-1928 & e-ISSN: 2579-633X), 20-28.

Buani, D. P. (2016). Optimasi Algoritma Naïve Bayes dengan Menggunakan Algoritma Genetika untuk Prediksi Kesuburan (Fertility). Jurnal Evolusi , Volume 4 Nomor 1(ISSN : 2338 – 8161), 54-63.

Delice, Y., Aydogan , E. K., Ozcan, U., & Ilkay, M. S. (2014, September). A modified particle swarm optimization algorithm to mixed-model two-sided assembly line balancing. J Intell Manuf(DOI 10.1007/s10845-014-0959-7), 1-14.

Dewi, A. (2016, Maret 60-66). Komparasi 5 Metode Algoritma Klasifikasi Data Mining Pada Prediksi Keberhasilan Pemasaran Produk Layanan Perbankan. Jurnal Techno Nusa Mandiri, Vol. XIII, No. 1(ISSN 1978-2136).

Ekata, Tyagi, P. K., Gupta, N. K., & Gupta, S. (2016, November). Diagnosis of Pulmonary Tuberculosis using Fuzzy Inference System. IEEE Second International Innovative Applications of Computational Intelligence on Power, Energy and Controls with their Impact on Humanity (CIPECH)(DOI: 10.1109/CIPECH.2016.7918726), 3-7.

Gorunescu, F. (2011). Data Mining: Concepts, Model and Techniques (Vol. Vol. 12, DOI 10.1007/978-3-642-19721-5). Romania.

Ibrahim, I. (2017, Maret). Faktor Yang Mempengaruhi Kejadian TB Paru di Wilayah Kota Tidore. Global Health Science, Volume 2(Issue 1 , ISSN 2503-5088), 34-40.

Kementrian Kesehatan RI. (2018). InfoDatin Pusat Data dan Informasi Tuberkulosis. Jakarta.

Listriani, D., Setyaningrum, A. H., & Eka, F. (2016, Oktober). Penerapan Metode Asosiasi Menggunakan Metode Apriori Pada Aplikasi Analisa Pola Belanja Konsumen (Studi Kasus Toko Buku Gramedia Bintaro). Jurnal Teknik Informatika, VOL. 9 NO. 2(ISSN 1979-9160), 120-127.

Metisen, B. M., & Sari, H. L. (2015, September). Analisis Clustering Menggunakan Metode K-Means Dalam Pengelompokan Penjulan Produk Pada Swalayan Fadhila. Jurnal Media Infotama, Vol. 11 No.2(ISSN 1858 – 2680), 110-118.

Nugroho, D., Nhita, F., & Trantoro, D. (Agustus 2016). Prediksi Penyakit Menggunakan Genetic Algorithm (GA) dan Naive Bayes Untuk Data Berdimensi Tinggi. e-Proceeding of Engineering, Vol.3, No.2 , hal. 3889-3899.

Ramanda, K. (2015, Agustus). Penerapan Particle Swarm Optimization Sebagai Seleksi Fitur Prediksi Kelahiran Prematur Pada Algoritma Neural Network. Jurnal Teknik Komputer AMIK BSI, VOL. I NO. 2 (ISSN. 2442-2436), 178-183.

Rosandy, T. (2016, Mei). Perbandingan Metode Naive Bayes Classifier dengan Metode Decison Tree (C4.5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus: KSPPS/BMT Al-Fadhila). Jurnal TIM Darmajaya, Vol. 02 No. 01(ISSN: 2442-5567 | E-ISSN: 2443-289X), 52-62.

Rusdah, Winarko, E., & Wardoyo, R. (2015, November). Preliminary Diagnosis of Pulmonary Tuberculosis Using Ensemble Method. IEEE International Conference on Data and Software Engineering (ICoDSE)(DOI: 10.1109/ICODSE.2015.7436993), 175-180.

Saputra, R. A. (2014). Komparasi Algoritma Klasifikasi Data Mining Untuk Memprediksi Penyakit Tuberculosis (TB): Studi Kasus Puskesmas Karawang Sukabumi. Seminar Nasional Inovasi dan Tren (SNIT) , (hal. 1-8). Sukabumi.

Setyo, J. S., & Sudrajat, A. (2017, September). Penerapan Metode C4.5 Terhadap Penyakit Tuberkulosis Paru. Jurnal Kajian Ilmiah, Volume 17, No. 3(ISSN 1410-9794, EISSN 2597-792X), 111-118.

Wahyuningsih, D., & Patima, E. (2018, Februari). Penerapan Naive Bayes Untuk Penerimaan Beasiswa. Jurnal Telematika, Vol. 11 No. 1(ISSN : 1979 – 925X & e-ISSN : 2442 - 4528), 135-147.

Wajhillah, R. (2014, September). Optimasi Algoritma Klasifikasi C4.5 Berbasis Particle Swarm Optimization Untuk Prediksi Penyakit Jantung. SWABUMI, VOL I, No. 1(ISSN 2355-990X), 1-12.

Widiastuti, N. A., Santosa, S., & Supriyanto, C. (2014, Februari). Algoritma Klasifikasi Data Mining Naive Bayes Berbasis Particle Swarm Optimization Untuk Deteksi Penyakit Jantung. Jurnal Pseudocode, Volume 1, Nomor 1(ISSN 2355 – 5920), 11-14.

Yuanli., Hong, & Fei. (2017, October). Automatic Classification of Pulmonary Tuberculosis and Sarcoidosis based on Random Forest. IEEE International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI 2017)(DOI: 10.1109/CISP-BMEI.2017.8302280), 1-5.

Zulvia, F. E., Kuo, R., & Roflin, E. (2017, July). An Initial Screening Method for Tuberculosis Diseases Using a Multi-objective Gradient Evolution-based Support Vector Machine and C5.0 Decision Tree. IEEE 41st Annual Computer Software and Applications Conference (COMPSAC)(DOI: 10.1109/COMPSAC.2017.57), 204-209.




DOI: https://doi.org/10.31294/swabumi.v8i1.7668

INDEXING

 

    P-ISSN : 2355-990X                       E-ISSN: 2549-5178

                     

 

Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License