Penggunaan IG dan MI dalam Peningkatan Kinerja Algoritma Naïve Bayes untuk Klasifikasi Penyakit Kardiovaskular
DOI:
https://doi.org/10.26418/jp.v11i1.87693Keywords:
Infomation Gain, Mutual Information, Naïve Bayes, Penyakit Kardiovaskular, Klasifikasi, Filter Feature SelectionAbstract
Penyakit Kardiovaskular (PK) merupakan salah satu penyebab utama kematian global, menjadikannya masalah kesehatan yang mendesak. Deteksi dini berbasis data memiliki potensi besar untuk meningkatkan diagnosis, tetapi kualitas prediksi sangat dipengaruhi oleh pemilihan data atribut yang relevan. Meskipun algoritma Naïve Bayes dikenal sederhana dan efisien dalam klasifikasi, kinerjanya sering kali terbatas pada dataset dengan atribut yang tidak relevan atau redundan. Penelitian sebelumnya menunjukkan bahwa Naïve Bayes memiliki akurasi yang lebih rendah dibandingkan algoritma lainnya dalam aplikasi medis. Oleh karena itu, penelitian ini mengeksplorasi potensi Information Gain (IG) dan Mutual Information (MI) sebagai metode seleksi fitur untuk meningkatkan akurasi prediksi PK menggunakan Naïve Bayes. Penggunaan IG dan MI belum banyak diteliti secara mendalam pada dataset medis dengan karakteristik unik seperti missing value, outlier, dan keterhubungan kelas, yang menjadi celah penting dalam penelitian ini. Proses penelitian meliputi transformasi data, seleksi fitur, dan evaluasi model akurasi menggunakan matriks konfusi. Hasil eksperimen menunjukkan bahwa penggunaan IG menghasilkan akurasi rata-rata tertinggi sebesar 88,6% dibandingkan MI dengan rata-rata akurasi 87%. Sementara Naïve Bayes seleksi tanpa fitur hanya mencapai akurasi 80%. Dengan demikian, IG menjadi metode seleksi fitur yang lebih efektif untuk meningkatkan kinerja Naïve Bayes dalam memprediksi PK. Penelitian ini menunjukkan bahwa seleksi fitur berbasis IG dan MI dapat mengurangi kompleksitas model, meningkatkan akurasi, serta mempercepat waktu pemrosesan karena IG maupun MI secara bersama-sama dapat melakukan proses seleksi terhadap fitur yang paling relevan untuk digunakan pada algoritma Naïve Bayes sehingga mampu meningkatkan kinerja dalam mengklasifikasi Penyakit Kardiovaskular.References
M. Martiningsih and A. Haris, “Risiko Penyakit Kardiovaskuler Pada Peserta Program Pengelolaan Penyakit Kronis (Prolanis) Di Puskesmas Kota Bima: Korelasinya Dengan Ankle Brachial Index Dan Obesitas,†Jurnal Keperawatan Indonesia, vol. 22, no. 3, pp. 200–208, 2019, doi: 10.7454/jki.v22i3.880.
A. Indriani, “Analisa Perbandingan Metode Naïve Bayes Classifier Dan K-Nearest Neighbor Terhadap Klasifikasi Data,†Sebatik, vol. 24, no. 1, pp. 1–7, 2020, doi: 10.46984/sebatik.v24i1.909.
T. Astuti and Y. Astuti, “Analisis Sentimen Review Produk Skincare Dengan Naïve Bayes Classifier Berbasis Particle Swarm Optimization (PSO),†Jurnal Media Informatika Budidarma, vol. 6, no. 4, p. 1806, 2022, doi: 10.30865/mib.v6i4.4119.
M. Syahrul Mubarok and M. Dwifebri Purbolaksono, “Implementasi Mutual Information Dan Bayesian Network Untuk Klasifikasi Data Microarra,†vol. 4, no. 2, pp. 3292–3304, 2017.
R. A. Azizah, F. Bachtiar, and S. Adinugroho, “Klasifikasi Kinerja Akademik Siswa Menggunakan Neighbor Weighted K-Nearest Neighbor dengan Seleksi Fitur Information Gain,†Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 3, pp. 605–614, 2022, doi: 10.25126/jtiik.2022935751.
A. H. Yusufi, A. Kharisma, A. D. Adinata, D. F. Ramzy, and M. M. Santoni, “Prediksi Resiko Kematian Pada Penderita Penyakit Kadiovaskular Menggunakan Metode Ensemble Learning,†Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), pp. 531–542, 2022.
I. Made, B. Adnyana, S. B. Jln, and R. Puputan, “Penerapan Feature Selection untuk Prediksi Lama Studi Mahasiswaâ€.
H. Hairani and M. Innuddin, “Kombinasi Metode Correlated Naive Bayes dan Metode Seleksi Fitur Wrapper untuk Klasifikasi Data Kesehatan,†Jurnal Teknik Elektro, vol. 11, no. 2, pp. 50–55, Apr. 2020, doi: 10.15294/jte.v11i2.23693.
L. D. Utami et al., “Integrasi Metode Information Gain untuk Seleksi Fitur dan AdaBoost untuk Mengurangi Bias pada Analisis Sentimen Review Restoran Menggunakan Algoritma Naive Bayes,†Journal of Intelligent Systems, vol. 1, no. 2, pp. 120–126, 2015.
S. Al Qodrin, N. Yusliani, and A. Syahrini, “Classification of Indonesian Questions Using the Support Vector Machine Algorithm and Mutual Information Feature Selection,†Jurnal JUPITER, vol. 14, no. 2, p. 44, 2022.
B. S. Rintyarna, “Pengaruh Seleksi Fitur Pada Skema Klasifikasi Naive Bayes Berbasis Gaussian dan Kernel Densityâ€.
M. Ayub, “Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer,†no. January 2012, pp. 21–30, 2018.
H. Pramesti, “Pemilihan Fitur Keputusan Kredit Berbasis Maximal Information Coefficient (Mic): Suatu Gagasan Awal,†Jurnal Akuntansi dan Sistem Teknologi Informasi, no. Mic, pp. 175–185, 2020.
A. Y. Simanjuntak, I. S. E. S. Simatupang, and A. Anita, “Implementasi Data Mining Menggunakan Metode NaãÂVe Bayes Classifier Untuk Data Kenaikan Pangkat Dinas Ketenagakerjaan Kota Medan,†Journal of Science and Social Research, vol. 5, no. 1, p. 85, 2022, doi: 10.54314/jssr.v5i1.804.
Ericha Apriliyani and Y. Salim, “Analisis performa metode klasifikasi Naïve Bayes Classifier pada Unbalanced Dataset,†Indonesian Journal of Data and Science, vol. 3, no. 2, pp. 47–54, 2022, doi: 10.56705/ijodas.v3i2.45.
G. P. Kawani, “Implementasi Naive Bayes Untuk Menentukan Wadah Limbah B3 Sesuai Karakteristik,†Journal of Informatics, Information System, Software Engineering and Applications, vol. 1, no. 2, pp. 73–81, 2019.
