ESTD PERPUSTAKAAN UNTAD
ESTD PERPUSTAKAAN UNTAD
| JudulKLASIFIKASI PENYAKIT STROKE MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (STUDI KASUS PADA RUMAH SAKIT BHAYANGKARA PALU) |
| Nama: DWI AMERTA ATMAJA |
| Tahun: 2023 |
| Abstrak Adapun tujuan penelitian ini yaitu membuat sistem yang dapat mengimlepentasikan metode naïve bayes classifier dalam mengkasifikasikan penyakit stroke dengan data mining dan mengukur tingkat keberhasilan metode naïve bayes classifier dalam melakukan klasifikasi penyakit stroke. Stroke merupakan masalah kesehatan yang utama bagi masyarakat modern saat ini. Stroke semakin menjadi masalah serius yang dihadapi hampir diseluruh dunia. Hal tersebut dikarenakan serangan stroke yang mendadak dapat mengakibatkan kematian, kecacatan fisik dan mental baik pada usia produktif maupun usia lanjut. Untuk itu, dengan memanfaatkan perkembangan peradaban manusia dengan kemajuan dibidang ilmu pengetahuan dan teknologi maka teknologi yang ada saat ini diharapkan mampu digunakan dalam dunia kesehatan. Yaitu dengan melakukan kolaborasi antara pengaplikasian teknologi dalam dunia medis untuk menekan angka kematian akibat penyakit stroke. Salah satu pemanfaatan teknologi dalam bidang kesehatan adalah disiplin ilmu yang berkembang pesat dewasa ini yaitu Data Mining. Dengan melakukan klasifikasi menggunakan Naive Bayes Classifier yaitu algoritma yang melakukan perbandingan probabilitas, dapat dilakukan pengklasifikasian berdasarkan data training yang akan menjadi parameter perhitungan klasifikasi ke kelas HEMORAGIK atau INFARK. Data training atau data latih yang dimaksud didapat dari data-data pasien sebelumnya yang telah terkena penyakit stroke pada Rumah Sakit Bhayangkara Palu. Berdasarkan pengujian hasil data training yang dijadikan data testing yaitu sebanyak 825 data, dalam percobaan ini peneliti melalukan perbandingan tingkat akurasi tertinggi dari data latih pasein stroke. Percobaan pertama, menggunakan dataset sebanyak 825 yang dibagi menjadi data latih sebanyak 413 dan data uji sebanyak 412 dengan perbanding 50 : 50 yang mendapatkan tingkat akurasi sebanyak 83%, Percobaan kedua, menggunakan dataset sebanyak 825 yang dibagi menjadi data latih sebanyak 495 dan data uji sebanyak 330 dengan perbanding 60 : 40 yang mendapatkan tingkat akurasi sebanyak 85%, Percobaan ketiga, dataset sebanyak 825 yang dibagi menjadi data latih sebanyak 594 dan data uji sebanyak 231 dengan perbanding 70 : 30 yang mendapatkan tingkat akurasi sebanyak 88%, Percobaan keempat, dataset sebanyak 825 yang dibagi menjadi data latih sebanyak 660 dan data uji sebanyak 165 dengan perbanding 80 : 20 yang mendapatkan tingkat akurasi sebanyak 90%, Percobaan kelima, dataset sebanyak 825 yang dibagi menjadi data latih sebanyak 743 dan data uji sebanyak 82 dengan perbanding 90 : 10 yang mendapatkan tingkat akurasi sebanyak 93%. Maka peneliti dapat menarik kesimpulan bahwa dengan banyaknya data latih yang digunakan maka hasil akurasi yang diperoleh juga semakin baik. Hasil pengujian ini tidak dapat mencapai 100% karena dalam perhitungan probabilitas yang dilakukan terdapat kemungkinan data error yaitu klasifikasi data yang tidak tepat (misclassification) karena pengaruh tingkat ketergantungan (dependency) antar fitur yang cukup tinggi. |