Perbandingan Metode K-Nearest Neighbor Dan Gaussian Naive Bayes Untuk Klasifikasi Penyakit Stroke

Dinda Ulfatul Maula Rachmad, Hardian Oktavianto, Miftahur Rahman

Abstract


Stroke adalah kondisi bahaya yang perlu ditangani secepatnya, karena sel otak dapat mati dalam hitungan menit. Kematian secara mendadak mungkin terjadi apabila seorang pasien mengalami yang sangat parah. Penanganan yang cepat dapat mengurangi tingkat kerusakan pada otak dan kemungkina timbulnya komplikasi. Maka perlu dilakukan prediksi orang tersebut terkena penyakit stroke atau tidak. Salah satu cara untuk memprediksi penyakit stroke yaitu menggunakan klasifikasi. Penyakit stroke perlu diklasifikasi agar dapat memprediksi penyakit dengan akurat. Hasil prediksi yang akurat membantu praktisi kesehatan dalam mengambil keputusan dengan tepat. Metode klasifikasi yang digunakan pada penelitian ini yaitu membandingkan algoritma K-Nearest Neighbor dan Gaussian Naive Bayes. Hasil yang diperoleh dari penelitian ini pada algoritma  K-Nearest Neighbor didapatkan dengan hasil akurasi sebesar 68,30%, presisi sebesar 67,20% dan recall sebesar 73,34%, sedangkan pada algoritma Gaussian Naive Bayes mendapatkan hasil akurasi sebesar 74,45%, presisi sebesar 74,01% dan recall sebesar 75,71%. Dari perbandingan akurasi, presisi dan recall dapat dilihat bahwa terdapat peningkatan akurasi sebesar 6,15%, presisi sebesar 6,81% dan recall sebesar 2,37%, sehingga membuktikan bahwa kinerja algoritma Gaussian Naive Bayes lebih baik.

Keywords: Klasifikasi penyakit, Stroke, Gaussian Naive Bayes, K-Nearest Neighbor.

Full Text:

PDF

References


Abdillah, S. (2015), “Penerapan Algoritma Decision Tree C4.5 Untuk Diagnosa Penyakit Stroke Dengan Klasifikasi Data Mining Pada Rumah Sakit Santra Maria Pemalang,” Jurnal Teknik Informatika, Vol 3(4), 1–12.

Adzhana, A Mahran. Kembang,R. Nugroho,H. (2020), “Penerapan Naive Bayes Gaussian Pada Klasifikasi Jenis Jamur Berdasarkan Ciri Statistik Orde Pertama,”Jurnal Ilmiah NERO, Vol.5 No.2

Ade, P, Reza. (2018). “Penerapan Naive Bayes Classifier dengan Gaussian Function Untuk Menentukan Kelompok UKT”. Jurnal Ilmiah Informatika Global, Vol.09, No.2, Desember 2018.

Adelina, V, Eka.R, Ali.F.M. (2018), “Klasifikasi Tingkat Risiko Penyakit Stroke Menggunakan Metode GA-Fuzzy Tsukamoto,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 2, No. 9, September2018, hlm. 3015-3021.

Agustina, B.D. (2019), “Asuhan Keperawatan Gawat Darurat Pada Pasien Dengan Stroke Diinstalasi Gawat Darurat Rumah Sakit Umum Daerah sleman Yogyakarta,” Skripsi, A.Md.Kep.,

Bernadette, M, Irene,V, Milena, S, Christine,L. (2017), “Using the Jupyter Notebook as a Tool for Open”

Science Jayanti, A.A. (2015), “Hubungan Hipertensi dengan kejadian stroke di Sulawesi Selatan tahun 2013,” Skripsi, S.Kes, Universitas Islam Negeri Syarif Hidayatullah, Jakarta

Han, J, Kamber, M (2006). Data Mining: Concepts and Technques Second. Morgan Kaufman Publishers.

Y. A. Gerhana, I. Fallah, W. B. Zulfikar, D. S. Maylawati, and M. A. Ramdhani, “Comparison of naive Bayes classifier and C4.5 algorithms in predicting student study period,” J. Phys. Conf. Ser., vol. 1280, no. 2, 2019


Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.