OPTIMASI METODE NAIVE BAYES PADA PEMILIHAN ATRIBUT UNTUK MENINGKATKAN AKURASI PREDIKSI PENYAKIT TUBERCULOSIS (TB) MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)

OPTIMASI METODE NAIVE BAYES PADA PEMILIHAN ATRIBUT UNTUK MENINGKATKAN AKURASI PREDIKSI PENYAKIT TUBERCULOSIS (TB) MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)

• By Mutiara, Erika;
• Tesis
• 212
• 1-62

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 94,18% dengan nilai AUC 0,977 dengan tingkat diagnosa excellent classification karena hasil AUC-nya antara 0,90-1,00. Sehingga kedua metode tersebut memiliki perbedaan tingkat akurasi sebesar 1,49% dan perbedaan nilai AUC sebesar 0,015.

 

Kata kunci:

Tuberculosis, Naive Bayes, Seleksi Atribut, Particle Swarm Optimization

• Katakunci
• URL http://
• Penerbit ,

REFERENSI

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.

 

Aprilla C, D., Baskoro, D. A., Ambarwati, L., & Wicaksana, I. S. (2013). Belajar Data Mining dengan RapidMiner. (R. Sanjaya, Penyunt.) Jakarta.

 

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.

 

  BIBLIOGRAPHY  \l 1057  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).

 

Djaelani, A. R. (2013, Maret). Teknik Pengumpulan Data Dalam Penelitian Kualitatif. Jurnal Majalah Ilmiah Pawiyatan, VOL: XX, NO: 1, 82-92.

 

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.

 

Fadillah, A. P. (2015, Desember). Penerapan Metode CRISP-DM untuk Prediksi Kelulusan Studi Mahasiswa Menempuh Mata Kuliah. Jurnal Teknik Informatika dan Sistem Informasi, Volume 1, Nomor 3(e-ISSN : 2443-2229), 260-270.

 

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

 

Haley, M. (2017, June). K-fold cross validation performance comparisons of six naive portfolio selection rules: how naive can you be and still have successful out-of-sample portfolio performance? Ann Finance(DOI 10.1007/s10436-017-0301-4), 1-13.

 

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.

 

Kamagi, D. H., & Hansun, S. (2014, Juni). Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa. ULTIMATICS, Vol. VI, No. 1 (ISSN 2085-4552), 15-20.

 

Khomsah, S. (2017, November). Survei Pada Penggunaan Teknik Data Mining Pada Bidang Kesehatan di Indonesia. Seminar Nasional Informatika(ISSN: 1979-2328).

 

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.

 

Paoji, A. M. (2017, Mei). Korelasi Keterampilan Dasar Mengajar Guru dengan Kreativitas Siswa di MA Maarif Putra Jawa Kecamatan Selawi Kabupaten Garut. Jurnal Ilmiah Indonesia, Vol. 2, No 5(ISSN : 2541 0849, e-ISSN : 2548-1398), 1-8.

 

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.

 

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

 

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.

 

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.

 

Sugiyono. (2013). Metode Penelitian Kuantitatif Kualitatif dan R&D. Bandung: Alfabeta.

 

Venkatesan, P., & Yamuna, N. (2013, January). Treatment Response Classification in Randomized Clinical Trials: A Decision Tree Approach. Indian Journal of Science and Technology, Vol:6(Issue:1 ISSN:0974-6846), 3912-3817.

 

Vercellis, C. (2009). Business Intelligence: Data Mining and Optimization for Decision Making. Italy: WILEY.

 

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.