No abstract

Penyakit diabetes merupakan salah satu penyakit paling banyak diderita oleh manusia seluruh dunia. Setiap tahun terjadi peningkatan kematian yang disebabkan oleh penyakit diabetes. Penyakit diabetes terjadi disebabkan oleh tubuh tidak menghasilkan insulin dalam jumlah yang cukup. Salah satu cara yang digunakan untuk mengurangi jumlah kematian yang disebabkan oleh penyakit diabetes adalah melakukan diagnosis secara dini. Salah satu teknik yang bisa digunakan adalah memanfaatkan teknik data mining. Untuk melakukan diagnosis penyakit diabetes dibutuhkan suatu metode yang memiliki akurasi terbaik. Pada penelitian ini melakukan komparasi metode Correlated-Naive Bayes Classifier dan Naive Bayes Classifier untuk mendapatkan akurasi terbaik sehingga dapat digunakan untuk diagnosis penyakit diabetes. Berdasarkan pengujian yang telah dilakukan menunjukkan bahwa metode Correlated Naive Bayes Classifier (CNBC) memperoleh akurasi terbaik dibandingkan dengan metode Naive Bayes Classifier (NBC) untuk Dataset Pima indian Diabetes. Tingkat akurasi metode Correlated Naive Bayes Classifier (CNBC) sebesar 67,15%, sedangkan metode Naive Bayes Classifier (NBC) sebesar 64,33%. Metode Correlated Naive Bayes Classifier (C-NBC) memiliki akurasi lebih tinggi dibandingkan metode Naïve Bayes Classifier (NBC) karena pada metode Correlated Naïve Bayes Classifier memperhitungkan nilai korelasi dari masing-masing atribut dataset terhadap Kelasnya. Dengan demikian penggunaan metode Correlated Naïve Bayes Classifier (C-NBC) dapat digunakan untuk melakukan diagnosis penyakit diabetes karena memiliki tingkat akurasi yang bagus dibandigkan metode Naive Bayes Classifier.

Skizofrenia merupakan jenis gangguan jiwa bersifat kronis yang mempengaruhi proses berpikir, merasakan, dan berprilaku baik bagi penderitanya. Permasalahan selama ini adalah sebagian masyarakat umum merasa malu untuk melakukan pemeriksaan langsung ke rumah sakit kejiwaan, karena masih ada stigma negatif masyarakat. Tidak hanya itu, biaya konsultasi dengan dokter spesialis kejiwaan yang tidak murah menjadi salah satu faktor untuk tidak memeriksakan dirinya. Padahal deteksi dini jenis skizofrenia sangat diperlukan agar diberikan penaganan cepat dan tepat, sehingga minimalisir terjadinya kondisi yang lebih parah. Solusinya adalah menggunakan konsep sistem pakar menggunakan metode dempster shafer untuk diagnosis jenis penyakit skizofrenia. Tahapan penelitian ini terdiri dari akuisisi pengetahuan, perancangan tabel keputusan, implementasi, dan pengujian akurasi. Pengembangan sistem pakar diagnosis penyakit skizofrenia menggunakan metode dempster shafer untuk memudahkan masyarakat umum (pasien) untuk mengetahui jenis penyakit skizofrenia yang diderita beserta tingkat keyakinannya tanpa harus pergi ke dokter spesialis kejiwaan. Berdasarkan hasil pengujian yang telah dilakukan menggunakan 12 data, metode dempster shafer mendapatkan akurasi 100%. Dengan demikian, metode dempster shafer dapat digunakan untuk diagnosis jenis penyakit skizofrenia.

Penyakit artrhitis atau sering dikenal dengan nama rematik merupakan penyakit yang menyerang sendi dan struktur atau jaringan penunjang sekitar sendi. Jenis penyakit rematik memiliki lebih dari 150 jenis, tetapi di indonesia ada 3 jenis penyakit paling sering diderita masyarakat diantaranya Gout Arthritis, Rheumatoid Arthritis, dan Osteo Arthritis. Gejala pada jenis penyakit rematik sering tidak disadari oleh masyarakat, karena umumnya memiliki gejala yang mirip satu sama lain. Salah satu solusi yang dapat digunakan masyarakat untuk melakukan diagnosis dini jenis penyakit rematik adalah sistem pakar. Sistem pakar adalah sebuah sistem yang mengadopsi pengetahuan pakar sehingga dapat melakukan seperti yang dilakukan pakar. Penelitian ini mengembangkan sistem pakar diagnosis penyakit rematik menggunakan inferensi forward chaining berbasis prolog. Metode inferensi forward chaining digunakan untuk menarik kesimpulan jenis penyakit rematik yang diderita berdasarkan gejala-gejala yang dirasakan. Berdasarkan pengujian yang telah dilakukan bahwa metode inferensi forward chaining dapat melakukan diagnosis jenis penyakit rematik..

Most features of health data that have many irrelevant features can reduce the performance of classification method. One health data that has many attributes is the Pima Indian Diabetes dataset and Thyroid. Diabetes is a deadly disease caused by the increasing of blood sugar because of the body's inability to produce enough insulin and its complications can lead to heart attacks and strokes. The purpose of this research is to do a combination of Correlated Naïve Bayes method and Wrapper-based feature selection to classification of health data. The stages of this research consist of several stages, namely; (1) the collection of Pima Indian Diabetes and Thyroid dataset from UCI Machine Learning Repository, (2) pre-processing data such as transformation, Scaling, and Wrapper-based feature selection, (3) classification using the Correlated Naive Bayes and Naive Bayes methods, and (4) performance test based on its accuracy using the 10-fold cross validation method. Based on the results, the combination of Correlated Naive Bayes method and Wrapper-based feature selection get the best accuracy for both datasets used. For Pima Indian Diabetes dataset, the accuracy is 71,4% and the Thyroid dataset accuracy is 79,38%. Thus, the combination of Correlated Naïve Bayes method and Wrapper-based feature selection result in better accuracy without feature selection with an increase of 4,1% for Pima Indian Diabetes dataset and 0,48% for the Thyroid dataset.