OPTIMASI KLASIFIKASI NAÏVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI PENYAKIT GINJAL

OPTIMASI KLASIFIKASI NAÏVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI PENYAKIT GINJAL

• By Andi Arfian;
• 0
• 690-699

Penyakit Ginjal Kronis (PGK) adalah suatu keadaan kesehatan yang ditandai dengan penurunan
fungsi ginjal yang terjadi secara bertahap dan sering tidak terdeteksi pada tahap awal.
Keterlambatan dalam mendeteksi kondisi ini dapat meningkatkan kemungkinan terjadinya
komplikasi serius, sehingga penting untuk memiliki metode prediksi yang tepat berdasarkan data
medis. Penelitian ini bertujuan untuk menerapkan teknik Data Mining dengan memadukan
algoritma Naïve Bayes dan Particle Swarm Optimization (PSO) untuk memprediksi risiko PGK.
Dataset yang digunakan terdiri dari data dari 100 pasien yang mencakup 16 variabel klinis,
termasuk usia, tekanan darah, densitas urine, kadar albumin, kadar gula, hemoglobin, kadar
ureum, kreatinin, serta kadar sodium, potassium, jumlah sel darah putih, jumlah sel darah merah,
riwayat hipertensi, dan diabetes. Proses penelitian mencakup penyelarasan data awal, pemilihan
fitur menggunakan PSO untuk menemukan parameter paling berpengaruh, dan klasifikasi
dengan Naïve Bayes. Hasil dari analisis data menunjukkan bahwa pasien yang termasuk dalam
kategori PGK positif (label kelas 1) menunjukkan peningkatan signifikan pada kadar ureum dan
kreatinin, penurunan pada kadar hemoglobin, serta tingkat hipertensi yang tinggi dibandingkan
dengan kategori normal (label kelas 0). Penggunaan metode hibrida ini terbukti efektif dalam
mengoptimalkan model prediksi dengan mengurangi fitur redundan, yang menghasilkan tingkat
akurasi klasifikasi yang lebih baik dibandingkan metode tradisional. Sistem prediksi ini
diharapkan dapat berfungsi sebagai alat bantu yang efisien bagi tenaga medis dalam proses
pengambilan keputusan klinis.

• Katakunci AFN
• URL http://
• Penerbit Fakultas Teknologi Informasi UNISKA, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, Banjarmasin Kalimantan Selatan

REFERENSI

[1] D. A. Putri, D. A. Kristiyanti, E. Indrayuni, A. Nurhadi, and D. R. Hadinata,
“Comparison of Naive Bayes Algorithm and Support Vector Machine using PSO
Feature Selection for Sentiment Analysis on E-Wallet Review,” J. Phys. Conf.
Ser., vol. 1641, no. 1, 2020, doi: 10.1088/1742-6596/1641/1/012085.
[2] Ermanto and N. Surojudin, “Perbandingan Metode Klasifikasi dalam
Memprediksi Penyakit Ginjal Kronis,” J. Inform. Ekon. Bisnis, vol. 7, pp. 715–
723, 2025, doi: 10.37034/infeb.v7i3.1263.
[3] M. Rizal, M. Z. Syahaf, S. R. Priyambodo, and Y. Rhamdani, “Optimasi
Algoritma Naïve Bayes Menggunakan Forward Selection Untuk Klasifikasi
Penyakit Ginjal Kronis,” Naratif J. Nas. Riset, Apl. dan Tek. Inform., vol. 5, no.
1, pp. 71–80, 2023, doi: 10.53580/naratif.v5i1.200.
[4] M. Badawy et al., “AI-driven prognostics in pediatric bone marrow
transplantation: a CAD approach with Bayesian and PSO optimization,” BMC
Med. Inform. Decis. Mak., vol. 25, no. 1, pp. 1–22, 2025, doi: 10.1186/s12911-025-03133-1.
[5] Y. Kelpin and K. Ardila, “Analysis of User Satisfaction Level Of E-Pkh
Application Using End User Computing Satisfaction (EUCS) Method,” Adpebi
Sci. Ser., pp. 1–8, 2022, [Online]. Available:
http://series.adpebi.com/index.php/AICMEST/article/view/63
[6] Y. Chen and J. Li, “Computer-Aided Recognition Algorithm for Students’
Mental Health Problems using K-means Clustering,” Comput. Aided. Des. Appl.,
vol. 21, no. S9, pp. 19–37, 2024, doi: 10.14733/cadaps.2024.S9.19-37.
[7] A. Mustopa, Hermanto, Anna, E. B. Pratama, A. Hendini, and D. Risdiansyah,
“Analysis of user reviews for the pedulilindungi application on google play using
the support vector machine and naive bayes algorithm based on particle swarm
optimization,” 2020 5th Int. Conf. Informatics Comput. ICIC 2020, vol. 19, 2020,
doi: 10.1109/ICIC50835.2020.9288655.
[8] K. S. Arlandy et al., “Mengoptimalkan Kinerja Naïve Bayes Pada Ancaman
Modern Dengan Menggunakan PCA Pada Data Intrusion Detection System
(IDS),” vol. 8, no. 1, 2025.
[9] F. Akbar et al., “Penerapan Algoritma Naïve Bayes Untuk Mengetahui Pasien
Penyakit Gagal Jantung,” J. Inform. Dan Rekayasa Komputer(JAKAKOM), vol.
2, no. 2, pp. 263–266, 2022, doi: 10.33998/jakakom.2022.2.2.117.
[10] A. F. B. Watratan, A. Puspita, and D. Moeis, “Implementasi Algoritma Naive
Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia,” J. Appl.
Comput. Sci. Technol. ( Jacost ), vol. 1, no. 1, pp. 7–14, 2020.
[11] A. N. Am, M. Nurkholifah, and F. K. Oktorina, “Analisa Penyakit Jantung
Menggunakan Algoritma Naïve Bayes,” J. Syst. Comput. Eng., vol. 4, no. 1, pp.
26–36, 2023, doi: 10.47650/jsce.v4i1.671.
[12] S. Muharni, S. Andriyanto, and S. Supardi, “Optimization of the Naïve Bayes
Algorithm Using Particle Swarm Optimization (PSO) for Predicting Heart
Disease Symptoms,” Prism. Sains J. Pengkaj. Ilmu dan Pembelajaran Mat. dan
IPA IKIP Mataram, vol. 13, no. 3, pp. 582–601, 2025, doi: 10.33394/j