Prediksi Penyakit Gagal Jantung Menggunakan Algoritma Naive Bayes
Abstract
Gagal jantung adalah kondisi medis serius di mana jantung tidak dapat memompa darah dengan baik, sering disebabkan oleh hipertensi, diabetes, dan penyakit jantung koroner. Penyakit jantung adalah salah satu penyakit paling mematikan di dunia, dengan lebih dari 17,7 juta kematian setiap tahun menurut WHO. Mengingat angka kematian yang tinggi, diagnosis dini meningkatkan peluang bertahan hidup. Studi ini membuat model prediksi gagal jantung menggunakan algoritma Naive Bayes, yang populer karena cepat dan mudah digunakan. Tujuan model ini adalah membantu tenaga medis menemukan pasien berisiko tinggi, memungkinkan intervensi dini yang lebih baik. Algoritma Naive Bayes dipilih karena kelebihannya dalam kesederhanaan dan kecepatan proses, penting dalam situasi medis yang membutuhkan keputusan cepat. Pengujian model menggunakan dataset relevan menunjukkan bahwa algoritma Naive Bayes memiliki tingkat akurasi memadai dalam memprediksi risiko gagal jantung. Dengan demikian, model ini dapat diintegrasikan dalam sistem kesehatan untuk meningkatkan efektivitas diagnosis dan perawatan, meningkatkan kualitas hidup pasien, dan mengelola sumber daya medis lebih efisien. Selain itu, model ini dapat dikembangkan lebih lanjut untuk memperhitungkan berbagai variabel klinis tambahan, meningkatkan akurasi dan kegunaannya dalam skenario medis yang lebih luas.
Keywords: Gagal Jantung, Naive Bayes, Prediksi.Full Text:
PDFReferences
A. Artikel
Arifin, T., & Ariesta, D. (2019). Prediksi Penyakit Ginjal Kronis Menggunakan Algoritma Naive Bayes Classifier Berbasis Particle Swarm Optimization. Jurnal Tekno Insentif, 13(1), 26–30. https://doi.org/10.36787/jti.v13i1.97
Byna, A., & Basit, M. (2020). Penerapan Metode Adaboost Untuk Mengoptimasi Prediksi Penyakit Stroke Dengan Algoritma Naïve Bayes. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 9(3), 407–411. https://doi.org/10.32736/sisfokom.v9i3.1023
Dwi Septiani, W. (2017). Komparasi Metode Klasifikasi Data Mining Algoritma C4.5Dan Naive Bayesuntuk Prediksi Penyakit Hepatitis. Jurnal Pilar Nusa Mandiri, 13(1), 76–84. http://archive.ics.uci.edu/ml/.
Hasibuan, E., Informasi, S., Ilmu, F., Informasi, T., Gunadarma, U., Margonda, J., No, R., Cina, P., & Jawa, D. (2022). Implementasi Machine Learning untuk Prediksi Harga Mobil Bekas dengan Algoritma Regresi Linear berbasis Web. Jurnal Ilmiah Komputasi, 21(4), 595–602. https://doi.org/10.32409/jikstik.21.4.3327
Latifah, R., Wulandari, E. S., & Kreshna, P. E. (2019). Model Decision Tree untuk Prediksi Jadwal Kerja menggunakan Scikit-Learn. Seminar Nasional Sains Dan Teknologi, 16, 1–6.
Ramadhan, B., Firdaus, D., & Adiningrum, N. T. R. (2023). Analisis Data Pegawai Untuk Memprediksi Gaji Berdasarkan Faktor-Faktor Spesifik Dengan Pendekatan Machine Learning. Naratif : Jurnal Nasional Riset, Aplikasi Dan Teknik Informatika, 5(2), 131–139. https://doi.org/10.53580/naratif.v5i2.205
Reza Fahlepi, M., Widjaja, A., & Surya Sumantri No, J. (2019). Penerapan Metode Multiple Linear Regression Untuk Prediksi Harga Sewa Kamar Kost. Jurnal STRATEGI - Jurnal Maranatha, 1(2), 615–629. https://www.strategi.it.maranatha.edu/index.php/strategi/article/view/140
Ridwan, A. (2020). Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus. Jurnal SISKOM-KB (Sistem Komputer Dan Kecerdasan Buatan), 4(1), 15–21. https://doi.org/10.47970/siskom-kb.v4i1.169
Sabransyah, M., Nasution, Y. N., & Tisna, D. (2017). Aplikasi Metode Naive Bayes dalam Prediksi Risiko Penyakit Jantung. Jurnal EKSPONENSIAL, 8(2), 111–118. http://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/31
Saifudin, I., & Suharso, W. (2020). Pembelajaran e-learning, pembelajaran ideal masa kini dan masa depan pada mahasiswa berkebutuhan khusus. JP (Jurnal Pendidikan): Teori dan Praktik, 5(2), 30-35.
Saifudin, I. (2017). Pengenalan dan Pelatihan Software Maple guna Meningkatkan Pemahaman Geometri untuk Siswa SMK. Jurnal Pengabdian Masyarakat Ipteks, 3(1).
Saifudin, I., & Umilasari, R. (2021). Automatic Aircraft Navigation Using Star Metric Dimension Theory in Fire Protected Forest Areas. JTAM (Jurnal Teori dan Aplikasi Matematika), 5(2), 294-304.
Saifudin, I., & Mubaroq, S. (2021). Pemanfaatan Aplikasi Camtasia dalam Meningkatkan Kebutuhan Multimedia Pada Video Pembelajaran Daring Bagi Guru di SMP Muhammadiyah Bondowoso. Suluah Bendang: Jurnal Ilmiah Pengabdian Kepada Masyarakat, 21(2), 140-147.
Saifudin, I., & Nurhalimah, N. (2019). Screen Printing the Glassware as Souvenir to Increase Selling Value and Income on Handicraft Group in Karangrejo, Jember, East Java. Kontribusia: Research Dissemination for Community Development, 2(1), 24-30.
Saputro, I. W., & Sari, B. W. (2020). Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa. Creative Information Technology Journal, 6(1), 1. https://doi.org/10.24076/citec.2019v6i1.178
Wahyu Setiyo Aji, P., Dijaya, R., & Sains dan Teknologi, F. (2023). KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen) Prediksi Penyakit Stroke Menggunakan Metode Random Forest. Jurnal Penerapan Sistem Informasi, 4(4), 916–924.
Wahyudin, W. C., Hana, F. M., Prihandono, A., Kudus, U. M., No, J. G., Email, I., Semarang, P. K., Classifier, N. B., Naive, A., Classifier, B., Classifier, N. B., & Classifier, N. B. (2023). P Rediksi S Tunting P Ada B Alita D I R Umah S Akit K Ota. 2019, 32–36.
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.