Ahmad Fahrudin, 4611417052 (2021) PENERAPAN METODE NAÏVE BAYES DENGAN FEATURE SELECTION INFORMATION GAIN UNTUK PREDIKSI AKURASI DIAGNOSIS PENYAKIT HEPATITIS. Under Graduates thesis, Universitas Negeri Semarang.

PDF - Published Version Restricted to Repository staff only Download (2MB)

Abstract

Kesehatan merupakan hal yang berharga bagi manusia. Dalam perkembangannya bidang kesehatan tumbuh sangat pesat terutama pada penyimpanan data (database). Data mining merupakan bidang ilmu penelitian dalam mengolah database menjadi pengetahuan yang dapat dimanfaatkan untuk mendiagnosa penyakit. Salah satu teknik data mining untuk memprediksi suatu hal adalah klasifikasi dengan menerapkan metode Naïve Bayes. Pada penelitian ini, memiliki tujuan untuk mengetahui peningkatan akurasi dan membandingkan antara hasil akurasi Naïve Bayes dan gabungan antara Naïve Bayes dengan Information Gain. Digunakannya Information gain untuk mengoptimalisasi atribut pada dataset guna meningkatkan akurasi Naïve bayes dalam mendiagnosa hepatitis. Hasil pada penelitian ini diperoleh Akurasi klasifikasi menggunakan algoritma Naïve Bayes tanpa proses seleksi fitur dengan menerapkan 20-fold cross validation yang dievaluasi dengan Confussion Matrix yaitu pada fold 6 mencapai 87,50%, Presisi 100% dan Recall 85,71%. Sedangkan hasil akurasi proses klasifikasi menggunakan Naïve Bayes menggunakan Feature Selection Information Gain dengan menerapkan Confussion Matrix yaitu pada fold 6 mencapai 100%, Presisi 100% dan Recall 100%. Dengan demikian, dapat dikatakan bahwa penerapan algoritma Feature Selection Information Gain dapat meningkatkan akurasi algoritma Naïve Bayes yaitu mencapai 12,50% pada diagnosis penyakit hepatitis

Actions (login required)

View Item