PENERAPAN ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI GEJALA DEMAM TIFOID PADA PUSKESMAS CIBADAK
DOI:
https://doi.org/10.31294/larik.v1i1.499Kata Kunci:
Naïve Bayes Classifier, Data Mining, Demam TifoidAbstrak
Demam tifoid merupakan salah satu penyakit infeksi yang masih menjadi masalah kesehatan di negara berkembang, khususnya di Indonesia. Salmonella typhi merupakan bakteri penyebab demam tifoid yang dapat ditransmisikan melalui makanan maupun minuman terkontaminasi oleh feses atau urin dari orang yang telah terinfeksi. Langkah pertama dalam pengelolaan penyakit demam tifoid adalah penetapan diagnosis yang tepat. Untuk mengurangi kesalahan deteksi dan menghindari keterlambatan diagnosis penderita demam tifoid, dapat dilakukan penerapan dan pemanfaatan teknik data mining. Salah satu algoritma yang dapat diterapkan adalah Naive Bayes Classifier, dengan diterapkannya algoritma Naive Bayes Classifier ini diharapkan para penderita dapat mengetahui kondisi kesehatannya dari demam tifoid yang mungkin saja terjadi, sehingga dapat langsung melakukan tindakan sebagai usaha untuk meminimalisir gejala yang terjadi dan diharapkan tindakan sejak dini ini membuat gejala lain yang akan terjadi justru tidak terjadi dan gejala yang ada berkurang. Naïve Bayes Classifier yang dikenal merupakan salah satu model klasifikasi yang baik dan sering digunakan. Hasil dari penelitian ini mendapatkan akurasi sebesar 93,71%. menggunakan rapid miner 5.2 dengan 142 dataset.
Referensi
Purba, Y. P., & Ramadhian, M. R. (2019). Efektivitas Antibakteri Ekstrak Etanol Mentimun ( Cucumis sativus L .) terhadap Pertumbuhan Salmonella typhi Antibacterial Effectiveness of Cucumber ( Cucumis sativus L .) Ethanol Extract on Salmonella typhi Growth. 8, 144–149.
Hartono, D., Somantri, Iwan., Februanti, Sopia. (2019). Hipnosis Lima Jari dengan Pendekatan Spiritual Menurunkan Insomnia pada Lansia Jurnal Kesehatan, 187-192
Kustiyahningsih, Y., & Rahmanita, E. (2016). Aplikasi Sistem Pendukung Keputusan Menggunakan Algoritma C4.5. untuk Penjurusan SMA. Jurnal Semantec, 5(2), 101–108.
Wafiyah Fakihatin, Hidayat Nurul, P. R. S. (2017). Implementasi Algoritma Modified K-Nearest Neighbor ( MKNN ) untuk Klasifikasi Penyakit Demam. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 1(10), 1210–1219
Kumara, R., & Supriyanto, C. (2014). Klasifikasi Data Mining Untuk Penerimaan Seleksi Calon Pegawai Negeri Sipil 2014 Menggunakan Algoritma Decision Tree C4.5. 1–10.
Haryanto, F. F., & Hansun, S. (2017). Penerapan Algoritma C4.5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE. Jurnal Teknik Informatika Dan Sistem Informasi, 3(2), 95–103. Retrieved from http://jurnal.mdp.ac.id/index.php/jatisi/article/view/71
Brian, T. (2016). ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES. 3(1), 21–27.
Setiawan, T. A., Satria, R., Syukur, A., Komputer, F. I., & Nuswantoro, U. D. (2015). Integrasi Metode Sample Bootstrapping dan Weighted Principal Component Analysis untuk Meningkatkan Performa K Nearest Neighbor pada Dataset Besar. Journal of Intelligent Systems, 1(2), 76–81.
Sumpena, J., & H, N. K. (2019). Analisis prediksi kelulusan siswa pkbm paket c dengan metoda algoritma naïve beyes. 13(2), 127–133.
A. Saleh, “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga,” vol. 2, no. 3, pp. 207–217, 2015