PENERAPAN ALGORITMA NAIVE BAYES UNTUK KLASIFIKASI PENYAKIT BERDASARKAN GEJALA DAN PROFIL PASIEN
DOI:
https://doi.org/10.54314/jssr.v8i3.3961Abstract
Abstract: This study aims to implement the Naive Bayes algorithm to develop a web-based disease classification system utilizing patient symptoms and profile data. The dataset, obtained from Kaggle, consists of 349 entries with five primary attributes: fever, cough, fatigue, difficulty breathing, and age group. Classification is performed by manually calculating the posterior probability of each disease class using the Naive Bayes approach. The model is integrated into a PHP-MySQL-based system and evaluated using 20 randomly selected test data. Performance evaluation resulted in an accuracy of 45%, with a precision of 0.45, recall of 0.45, and F1-score of 0.45. These results indicate that the Naive Bayes algorithm is applicable as an initial method in developing a symptom- and profile-based disease classification system, although further improvement is needed through feature enrichment and model optimization.
Â
Keyword: naive bayes; disease classification; symptoms; patient profile; system evaluation
Â
Abstrak: Penelitian ini bertujuan menerapkan algoritma Naive Bayes untuk membangun sistem klasifikasi penyakit berbasis web dengan memanfaatkan data gejala dan profil pasien. Dataset yang digunakan diperoleh dari Kaggle, terdiri atas 349 entri dengan lima atribut utama: demam, batuk, kelelahan, kesulitan bernapas, dan kelompok umur. Proses klasifikasi dilakukan dengan menghitung probabilitas posterior setiap kelas penyakit secara manual menggunakan pendekatan Naive Bayes. Model diterapkan ke dalam sistem berbasis PHP dan MySQL, kemudian diuji menggunakan 20 data acak sebagai data uji. Evaluasi performa menghasilkan akurasi sebesar 45%, precision 0,45, recall 0,45, dan F1-score 0,45. Hasil ini menunjukkan bahwa algoritma Naive Bayes dapat diterapkan sebagai metode awal dalam pengembangan sistem klasifikasi penyakit berbasis data gejala dan karakteristik pasien, meskipun performanya masih perlu ditingkatkan melalui pengayaan fitur dan optimasi algoritma.
Â
Kata Kunci: naive bayes; klasifikasi penyakit; gejala; profil pasien; evaluasi sistem
Downloads
References
A’yuniyah, Q., Tasia, E., Nazira, N., Pratama, P. F., Anugrah, M. R., Adhiva, J., & Mustakim, M. (2022). Implementasi algoritma Naïve Bayes Classifier (NBC) untuk klasifikasi penyakit ginjal kronik. Jurnal Sistem Komputer dan Informatika (JSON), 4(1), 72. https://doi.org/10.30865/json.v4i1.4781
Anggraini, S., Akbar, M., Wijaya, A., Syaputra, H., & Sobri, M. (2021). Klasifikasi gejala penyakit Coronavirus Disease 19 (COVID-19) menggunakan machine learning. Journal of Software Engineering Ampera, 2(1), 57–68. https://doi.org/10.51519/journalsea.v2i1.105
Guines, A., Hutapea, A. N., & Kelmaskosu, R. M. (2022). Gambaran karakteristik klinis penderita Covid-19 di satu rumah sakit rujukan Covid-19 di Tangerang: Studi dokumentasi. Journal of Bionursing, 4(2), 92–103. https://doi.org/10.20884/1.bion.2022.4.2.138
Kaggle. (2024). Disease Symptoms and Patient Profile Dataset.
https://www.kaggle.com/datasets/uom190346a/disease-symptoms-and-patient-profile-dataset
Pohan, K. P., & Chairunisah, C. (2024). Sistem pakar mendiagnosa penyakit kulit pada manusia menggunakan metode Naive Bayes Classifier berbasis web. Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer), 23(1), 204. https://doi.org/10.53513/jis.v23i1.9521
Purba, B., & Syahputra, R. (2021). Implementasi metode Naive Bayes Classifier pada evaluasi kepuasan mahasiswa terhadap pembelajaran daring. InfoTekJar: Jurnal Nasional Informatika dan Teknologi Jaringan, 6(1), 85–91. https://doi.org/10.30743/infotekjar.v6i1.4352
Putro, H. F., Vulandari, R. T., & Saptomo, W. L. Y. (2020). Penerapan metode Naive Bayes untuk klasifikasi pelanggan. Jurnal Teknologi Informasi dan Komunikasi (TIKomSiN), 8(2). https://doi.org/10.30646/tikomsin.v8i2.500
Riani, A., Susianto, Y., Rahman, N., & Ali, U. D. (2019). Implementasi data mining untuk memprediksi penyakit jantung menggunakan metode Naive Bayes. JINITA: Jurnal Informatika dan Teknologi Informasi, 1(01), 25–34. https://doi.org/10.35970/jinita.v1i01.64
