APPLICATION OF NAÏVE BAYES ALGORITHM USING FORWARD SELECTION FEATURES IN DIABETES

Aditya Aditya Fauzi Samsuri

Authors

Aditya Aditya Fauzi Samsuri STMIK IKMI Cirebon

Keywords:

Diabetes, Forward Selection, Naive Bayes, Diagnosis Diabetes, Akurasi Model

Abstract

Diabetes merupakan salah satu penyakit kronis yang prevalensinya terus meningkat secara global, dan memerlukan diagnosis yang cepat dan akurat untuk mencegah komplikasi lebih lanjut. Dalam upaya meningkatkan akurasi diagnosis, penelitian ini menerapkan metode forward selection dengan algoritma Naive Bayes untuk klasifikasi data diabetes, Fitur forward selection digunakan dalam pemilihan fitur untuk menyaring atribut-atribut yang relevan sehingga dapat meningkatkan performa model. Teknik Analisis dari penelitian ini berdasarkan KDD yang diawali dengan pengumpulan data dari sumber dataset terbuka yang berisi informasi medis pasien diabetes. Data kemudian diolah dengan preprocessing yang meliputi penanganan missing value dan set role . Langkah selanjutnya adalah penerapan fitur forward selection untuk memilih fitur yang paling berpengaruh terhadap prediksi diabetes. Algoritma Naive Bayes kemudian diaplikasikan pada subset fitur yang terpilih. Performa model diukur menggunakan metrik akurasi, precision, dan recall. Hasil penelitian menunjukkan bahwa penggunaan fitur forward selection berhasil meningkatkan akurasi model Naive Bayes secara signifikan dibandingkan dengan model yang menggunakan seluruh fitur tanpa seleksi. Pada model yang diterapkan dengan seleksi fitur, akurasi yang diperoleh mencapai 75.01% , precision 76.10% , dan recall 90.00% , sementara model tanpa seleksi fitur hanya mencapai akurasi 67.32% , precision 63.84 % , dan recall 64.27% . Kesimpulan dari penelitian ini adalah bahwa fitur forward selection pada algoritma Naive Bayes mampu meningkatkan akurasi dalam diagnosis penyakit diabetes, serta dapat mengurangi kompleksitas komputasi dengan menggunakan fitur yang lebih sedikit

Downloads

Download data is not yet available.

References

[1] M. F. Rizqullah, N. T. Raihana, and M. I. Jambak, “Komparasi Penerapan Algoritma C4.5, K-Nearest Neighbor, dan Naïve Bayes Untuk Keberlangsungan Pasien Gagal Jantung,” Klik Kajian. Ilmiah. Informatika. Dan Komputer., vol. 4, no. 5, pp. 2580–2587, 2024, doi: 10.30865/klik.v4i5.1788.
[2] F. Novaldy and A. Herliana, “Penerapan Pso Pada Naïve Bayes Untuk Prediksi Harapan Hidup Pasien Gagal Jantung,” Jurnal. Responsif Riset. Sains dan Informatika., vol. 3, no. 1, pp. 37–43, 2021, doi: 10.51977/jti.v3i1.396.
[3] M. Yusa, F. F. Coastera, and M. R. Yandika, “Reduksi Dimensi Data menggunakan Metode Wrapper Sequential Feature Selection untuk Peningkatan Performa Algoritma Naïve Bayes terhadap Dataset Medis,” Jurnal.Edukasi dan Penelitian. Informatika., vol. 8, no. 2, pp. 364–370, 2022, doi: 10.26418/jp.v8i2.54328.
[4] H. Fahmi and Sutisna, “Implementasi Data Mining Klasifikasi Gejala Penyakit TB Menggunakan Algoritma Naive Bayes pada Studi Kasus,” Jurnal. Indonesia. Manajemen. Informatika. dan Komunikasi., vol. 5, no. 3, pp. 2888–2898, 2024.
[5] A. Fauzi and A. H. Yunial, “Optimasi Algoritma Klasifikasi Naive Bayes, Decision Tree, K – Nearest Neighbor, Dan Random Forest Menggunakan Algoritma Particle Swarm Optimization Pada Diabetes Dataset,” Jurnal. Edukasi dan Penelitian. Informatika., vol. 8, no. 3, pp. 470–481, 2022, doi: 10.26418/jp.v8i3.56656.
[6] J. Lemantara, “Rancang Bangun Aplikasi Hipertensi. EDU Sebagai Media Edukasi Dan Diagnosis Penyakit Hipertensi Menggunakan Metode Naïve Bayes Dengan Laplace Correction,” INFOTECH Jurnal. Informatika. Teknologi., vol. 5, no. 1, pp. 146–160, 2024, doi: 10.37373/infotech.v5i1.1197.
[7] S. Marwah, R. Astuti, and F. M. Basysyar, “Implementasi Data Mining Menggunakan Algoritma Naïve Bayes Untuk Diagnosis Penyakit Kulit Scabies Pada Hewan,” JATI (Jurnal Mahasiswa. Teknik. Informatika., vol. 7, no. 6, pp. 3892–3897, 2023, doi: 10.36040/jati.v7i6.8276.
[8] H. Nugroho, G. E. Yuliastuti, and A. Firman, “Klasifikasi Diagnosis Diabetes Melitus Menggunakan Metode Naïve Bayes Dengan Seleksi Fitur Backward Elimination,” Jurnal. Ilmiah. NERO, vol. 8, no. 2, p. 2023, 2023, [Online]. Available: https://journal.trunojoyo.ac.id/nero/article/view/21110
[9] A. Nur Kirana, B. Nurhakim, S. Eka Permana, W. Prihartono, and G. Dwilestari, “Implementasi Algoritma Naive Bayes Untuk Memprediksi Cuaca Menggunakan Rapidminer,” JATI (Jurnal Mahasiswa. Teknik. Informatika., vol. 8, no. 2, pp. 1637–1642, 2024, doi: 10.36040/jati.v8i2.8967.
[10] P. D. Rinanda, B. Delvika, S. Nurhidayarnis, N. Abror, and A. Hidayat, “Perbandingan Klasifikasi Antara Naive Bayes dan K-Nearest Neighbor Terhadap Resiko Diabetes Pada Ibu Hamil,” MALCOM Indonesia. Jurnal. Machine. Learning. Computer. Sci., vol. 2, no. 2, pp. 68–75, 2022, doi: 10.57152/malcom.v2i2.432.
[11] M. F. Nugroho and S. Wibowo, “Fitur Seleksi Forward Selection Untuk Menetukan Atribut Yang Berpengaruh Pada Klasifikasi Kelulusan Mahasiswa Fakultas Ilmu Komputer UNAKI Semarang Menggunakan Algoritma Naive Bayes,” Jurnal. Informatika. Upgris, vol. 3, no. 1, pp. 63–70, 2017, doi: 10.26877/jiu.v3i1.1669.
[12] C. F. Ahmad, N. Suarna, and G. Dwilestari, “Klasifikasi Data Kemiskinan Menggunakan Metode Naïve Bayes Untuk Mengetahui Tingkat Kemiskian Studi Kasus: Desa Karangasem Kecamatan Leuwimunding Majalengka,” Jurnal. Informatika. dan Teknologi. Informasi., vol. 2, no. 2, pp. 203–208, 2023, doi: 10.56854/jt.v2i2.190.
[13] A. Byna and M. Basit, “Penerapan Metode Adaboost Untuk Mengoptimasi Prediksi Penyakit Stroke Dengan Algoritma Naive Bayes,” Jurnal. Sisfokom (Sistem Informasi. dan Komputer), vol. 9, no. 3, pp. 407–411, 2020, doi: 10.32736/