PENERAPAN SELEKSI FITUR GAIN RATIO PADA PREDIKSI PENYAKIT JANTUNG BERBASIS NAÏVE BAYES
##plugins.themes.academic_pro.article.main##
Abstract
Penyakit jantung, yang menjadi ancaman serius bagi berbagai kelompok usia dan jenis kelamin, menuntut upaya pencegahan dan deteksi dini. Penelitian ini fokus pada prediksi penyakit jantung menggunakan algoritma Naïve Bayes. Meski efektif, Naïve Bayes memiliki keterbatasan performa, terutama dalam seleksi atribut. Oleh karena itu, penelitian ini mengintegrasikan metode seleksi fitur Gain Ratio untuk mengatasi kelemahan tersebut. Tujuannya adalah meningkatkan akurasi prediksi dengan memilih atribut yang relevan dan mengurangi bias pada data besar. Hasil penelitian menunjukkan bahwa kombinasi Naïve Bayes dan seleksi fitur Gain Ratio memberikan akurasi sebesar 91.2%, melampaui kinerja Naïve Bayes tanpa seleksi fitur. Temuan ini menegaskan pentingnya seleksi fitur dalam konteks prediksi penyakit jantung, memberikan kontribusi pada pemahaman lebih baik tentang faktor-faktor yang signifikan. Implikasinya dapat digunakan dalam pengembangan strategi pencegahan dan manajemen penyakit jantung, membuka peluang penggunaan teknologi untuk analisis dataset guna mendukung deteksi dini dan perawatan yang lebih efektif.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Pemberitahuan Hak Cipta
Usulan kebijakan untuk jurnal yang menawarkan akses terbuka Syarat yang dibutuhkan penulis adalah sebagai berikut:
1. Penulis memegang hak cipta dan memberikan jurnal hak penerbitan pertama secara bersamaan di bawah lisensi di bawah Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0), yang mengizinkan orang lain untuk menyalin dan mendistribusikan ulang materi ini dalam bentuk atau format apa pun termasuk menyusun, memodifikasi, dan membuat turunan materi ini untuk tujuan apa pun, termasuk tujuan komersial.
2. Penulis dapat membuat pengaturan kontrak terpisah untuk distribusi non-eksklusif dari versi dekaden publikasi jurnal (misalnya mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan mengakui publikasi aslinya di jurnal ini.
3. Penulis diizinkan dan didorong untuk memposting artikel secara online (misalnya di repositori institusional atau di situs web mereka) seperti pada Garuda, Academia, researchgate atau repository lainnya sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif dan kutipan artikel yang diterbitkan lebih awal dan lebih maju (periksa: Efek Akses Terbuka)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
ANGGARA, B., & Halim, R. M. N. (2020). Penerapan Data Mining Dirumah Sakit Umum Daerah Prabumulih Menggunakan Algoritma Naive Bayes Study Kasus: Penyakit Jantung. Bina Darma …, 209–220. http://conference.binadarma.ac.id/index.php/BDCCS/article/view/1546%0Ahttps://conference.binadarma.ac.id/index.php/BDCCS/article/download/1546/690
Aziz, M. I., Fanani, A. Z., & Affandy, A. (2023). Analisis Metode Ensemble Pada Klasifikasi Penyakit Jantung Berbasis Decision Tree. Jurnal Media Informatika Budidarma, 7(1), 1–12. https://doi.org/10.30865/mib.v7i1.5169
Cahya Putri Buani, D. (2021). Penerapan Algoritma Naïve Bayes dengan Seleksi Fitur Algoritma Genetika Untuk Prediksi Gagal Jantung. EVOLUSI : Jurnal Sains Dan Manajemen, 9(2), 43–48. https://doi.org/10.31294/evolusi.v9i2.11141
Fitriani, I., Basuki, S., & Minarno, A. E. (2020). Seleksi Fitur Relieff Pada Klasifikasi Malware Android Menggunakan Support Vector Machine(SVM). Jurnal Repositor, 2(11), 1529. https://doi.org/10.22219/repositor.v2i11.901
Gligorijevic, N., Robajac, D., & Nedic, O. (2019). Повышенная Чувствительность Тромбоцитов К Действию Инсулиноподобного Фактора Роста 1 У Больных Сахарным Диабетом 2-Го Типа. Биохимия, 84(10), 1511–1518. https://doi.org/10.1134/s0320972519100129
Haryadi, D., & Atmaja, D. M. U. (2021). Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Tingkat Risiko Penyakit Jantung. Journal of Informatics and Communication Technology (JICT), 3(2), 51–66. https://doi.org/10.52661/j_ict.v3i2.85
Indrayanti, Sugianti, D., & Karomi, M. A. Al. (2017). Peningkatan Akurasi Algoritma KNN dengan Seleksi Fitur Gain Ratio untuk Klasifikasi Penyakit Diabetes Mellitus. IC-Tech, 7(2), 1–6. https://ejournal.stmik-wp.ac.id/index.php/ictech/article/view/3/2
Larassati, D., Zaidiah, A., & Afrizal, S. (2022). Sistem Prediksi Penyakit Jantung Koroner Menggunakan Metode Naive Bayes. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 7(2), 533–546. https://doi.org/10.29100/jipi.v7i2.2842
Majid, A.M; Dwi Raharja, M. . (2020). Indonesian Journal of Business Intelligence. 3(2), 54–60.
Nurmasani, A., & Pristyanto, Y. (2021). Algoritme Stacking Untuk Klasifikasi Penyakit Jantung Pada Dataset Imbalanced Class. Pseudocode, 8(1), 21–26. https://doi.org/10.33369/pseudocode.8.1.21-26
Pradana, D., Luthfi Alghifari, M., Farhan Juna, M., & Palaguna, D. (2022). Klasifikasi Penyakit Jantung Menggunakan Metode Artificial Neural Network. Indonesian Journal of Data and Science, 3(2), 55–60. https://doi.org/10.56705/ijodas.v3i2.35
Pradana, M. G., Saputro, P. H., & Wijaya, D. P. (2022). Komparasi Metode Support Vector Machine Dan Naïve Bayes Dalam Klasifikasi Peluang Penyakit Serangan Jantung. Indonesian Journal of Business Intelligence (IJUBI), 5(2), 87. https://doi.org/10.21927/ijubi.v5i2.2659
Prasetyo, E., & Prasetiyo, B. (2020). Peningkatan Akurasi Klasifikasi Algoritma C 4.5 Menggunakan Teknik Bagging pada Diagnosis Penyakit Jantung. Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(5), 1035–1040. https://doi.org/10.25126/jtiik.2020752379
Riani, A., Susianto, Y., & Rahman, N. (2019). Implementasi Data Mining Untuk Memprediksi Penyakit Jantung Mengunakan Metode Naive Bayes. Journal of Innovation Information Technology and Application (JINITA), 1(01), 25–34. https://doi.org/10.35970/jinita.v1i01.64
Septianingrum, F., & Irawan, A. S. Y. (2021). Metode Seleksi Fitur Untuk Klasifikasi Sentimen Menggunakan Algoritma Naive Bayes: Sebuah Literature Review. Jurnal Media Informatika Budidarma, 5(3), 799. https://doi.org/10.30865/mib.v5i3.2983
Sonhaji Akbar, M., & Rochimah, S. (2018). Prediksi Cacat Perangkat Lunak Dengan Optimasi Naive Bayes Menggunakan Pemilihan Fitur Gain Ratio. Jurnal Sistem Dan Informatika, 11(1), 147–155.
Wijayadhi, A., Effendi, M. M., & Rahardjo, S. B. (2023). Prediksi Penyakit Jantung Dengan Algoritma Regresi Linier. Bulletin of Information Technology (BIT), 4(1), 15–28. https://journal.fkpt.org/index.php/BIT
Wintana, D. (2020). Integrasi metode diskritisasi dan gain ratio pada prediksi cacat perangkat lunak berbasis naive bayes tesis. Repository Nusa Mandiri, 1–48. https://repository.bsi.ac.id/index.php/unduh/item/337645/14002220_Dede-Wintana-Full-1.pdf
Zulaikhah Hariyanti Rukmana, S., Aziz, A., & Harianto, W. (2022). Optimasi Algoritma K-Nearest Neighbor (Knn) Dengan Normalisasi Dan Seleksi Fitur Untuk Klasifikasi Penyakit Liver. JATI (Jurnal Mahasiswa Teknik Informatika), 6(2), 439–445. https://doi.org/10.36040/jati.v6i2.4722