Fara Agustine Putri Pratiwi, 4611417042 (2022) IMPLEMENTASI ALGORITMA NAIVE BAYES MENGGUNAKAN CORRELATION-BASED FEATURE SELECTION (CFS) DAN INFORMATION GAIN (IG) UNTUK PREDIKSI PENYAKIT LIVER. Under Graduates thesis, Universitas Negeri Semarang.

PDF Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Menurut World Health Organization (WHO), sekitar 46% penyakit global dan 59% kematian disebabkan oleh penyakit kronis dan hampir 35 juta orang di dunia meninggal karena penyakit kronis yang salah satunya datang dari liver. Penyakit liver merupakan peradangan hati yang disebabkan oleh infeksi virus, bakteri atau bahan-bahan beracun sehingga hati tidak dapat melakukan fungsinya dengan baik. Diagnosis dini sangat penting untuk mencegah perkembangan sirosis dan komplikasi yang mengancam nyawa pasien. Penelitian ini dilakukan untuk memprediksi penyakit liver yang mungkin terjadi pada masyarakat. Sistem prediksi yang dilakukan adalah dengan melakukan analisis data mining menggunakan algoritma Naive Bayes. Selain itu, pada penelitian ini digunakan alat bantu sebagai perantara dalam memberi hasil yang lebih presisi, alat bantu tersebut adalah teknik selection feature Correlation-Based Feature Selection (CFS) dan Information Gain (IG). Data yang digunakan dalam penelitian ini adalah data sekunder dari Indian Liver Patient Dataset (ILPD) yang diperoleh dari UCI Repository of Machine Learning dengan jumlah data yaitu sebanyak 583 pasien di mana 416 diantaranya merupakan pasien liver. Penelitian ini menghasilkan kesimpulan bahwa metode algoritma Naive Bayes menggunakan Python dapat memprediksi penyakit liver. Feature selection CFS dan IG menghasilkan 5 fitur yaitu “SGPT”, “SGOT”, “TP”, “DB”, dan “TB” dengan rata-rata akurasi sebesar 76,2% dari 10 eksekusi. Hasil akurasi menggunakan algoritma Naive Bayes tanpa proses feature selection adalah 63%, sedangkan dengan bantuan feature selection CFS dan IG diperoleh tingkat akurasi sebesar 76%. Akurasi berhasil meningkat dari 63% ke 76% dengan selisih 13%.

Actions (login required)

View Item