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

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

• By Mutiara, Erika;
• Dokumen Institusi
• 475
• 46-58

Penyakit Tuberculosis (TB) merupakan penyakit infeksi paru yang yang berpotensi serius, paling menular dan berbahaya. Menurut World Health Organization (WHO) penyakit tuberculosis 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 penelitian yang membahas tentang prediksi penyakit tuberculosis. Pada penelitian kali ini dilakukan optimasi metode Naive Bayes dengan metode Particle Swarm Optimization sebagai seleksi atribut untuk meningkatkan akurasi prediksi yang diaplikasikan terhadap data pasien yang dinyatakan Positif Tuberculosis dan Negatif Tuberculosis. 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.

• Katakunci
• URL https://ejournal.bsi.ac.id/ejurnal/index.php/swabumi/article/view/7668
• Penerbit LPPM Universitas Bina Sarana Informatika Kampus Kota Sukabumi, Sukabumi Jawa Barat

REFERENSI

[1]    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.

[2]    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. 

[3]    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.

[4]    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.

[5]    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).

[6]    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.

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

[8]    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.

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

[10]  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.

[11]  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.

[12]  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.

[13]  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.

[14]  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.

[15]  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.

[16]  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.

[17]  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.

[18]  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.

[19]  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.

[20]  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.

[21]  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.

[22]  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.