Uji Akurasi Dataset Pasien Pasca Operasi Menggunakan Algoritma Naïve Bayes Menggunakan Weka Tools

Abstract

Postoperative patient data sets taken for testing of this data are sourced from the UCI repository on the website https://archive.ics.uci.edu/ml/datasets/Post-Operative+Patient. Based on the website address, the study was conducted by Sharon Summers, School of Nursing, University of Kansas, Medical Center, Kansas City, KS 66160 and Linda Woolery, School of Nursing, University of Missouri, Columbia, MO 6521. Number of attributes from this data set there are 8 and 1 class, the attributes in question include; L-CORE (patient's internal temperature in C), L-SURF (patient's surface temperature in C), L-O2 (oxygen saturation in%), L-BP (last measurement of blood pressure), SURF-STBL (stability of the patient's surface temperature ), CORE-STBL (stability of the patient), BP-STBL (stability of the patient's blood pressure), COMFORT (perceived comfort of the patient at discharge, measured as an integer between 0 and 20) and ADM-DECS decision class / patient exit decision with information (I = patient sent to intensive care unit, S = patient ready to go home, A = patient sent to general hospital floor).

Implementasi Algoritma Naïve Bayes dan K-Nearest Neighbor Dalam Menentukan Tingkat Keberhasilan Immunotherapy Untuk Pengobatan Penyakit Kanker Kulit

“…Metode ini ditemukan pada tahun 1970-an untuk penyembuhan kanker melanoma dan kandung kemih dengan menggunakan agen imun cytokine namun memiliki efek samping yang besar dan seiring mempelajari respon imun, metode ini terus dikembangkan. (Rahmadi et al, 2020) Algoritma Naive bayes dan K-Nearest Neighbor merupakan algoritma data mining yang digunakan untuk melakukan proses klasifikasi. Penelitian ini kami lakukan dengan tujuan untuk melakukan perbandingan antara algoritma Naive bayes dengan K-Nearest Neighbor dalam memprediksi keberhasilan metode pengobatan imunoterapi pada pengobatan penyakit kanker kulit.…”

“…Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. (Rahmadi et al, 2020)…”

“…Teori keputusan bayes adalah pendekatan statistik yang fundamental dalam pengenalan pola (pattern recognition), pendekatan ini didasarkan pada kuantifikasi trade-off antara berbagai keputusan klasifikasi dengan menggunakan probabilitas dan ongkos yang ditimbulkan dalam keputusan tersebut. (Rahmadi et al, 2020) Naïve Bayes Classifier atau sering disebut Bayesian Classification adalah metode pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Naïve Bayes Classifier (NBC) terbukti memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang besar.…”

Perbandingan Kinerja Algoritma Klasifikasi Naive Bayes, Support Vector Machine (SVM), dan Random Forest untuk Prediksi Ketidakhadiran di Tempat Kerja

“…Penelitian terkait mengenai data mining dengan menggunakan metode klasifikasi diantaranya, (Prajarini, 2016) meneliti penyakit kulit dengan menggunakan dataset yang diunduh dari situs repository UCI menggunakan perbandingan algoritma klasifikasi Decision Tree, Naive Bayes, KNN dan SVM. (Pratama, Wihandika, & Ratnawati, 2018) memprediksi ketepatan waktu kelulusan mahasiswa dengan melakukan klasifikasi data berdasarkan parameter yang telah ditentukan dengan menggunakan algoritma SVM (Rahmadi et al, 2020) melakukan pengujian akurasi terhadap dataset pasien pasca operasi dengan weka tools menggunakan algoritma Naive Bayes. (Septiani, 2017) meneliti dataset penyakit hepatitis dengan melakukan komparasi terhadap algoritma C4.5 dan Naïve Bayes.…”

Sistem Pendukung Keputusan Penentuan Kelayakan Penangguhan Kredit Nasabah menggunakan Naïve Bayes

“…Naïve bayes adalah Metode Naive Bayes merupakan pengklasifikasian statistik yang dapat digunakan untuk memprediski probabilitas keanggotaan suatu class (Damuri et al, 2021;Riswanto & Laluma, 2020;Sihombing et al, 2021). Naïve Bayes juga mempunyai akurasi dan kecepatan yang sangat kuat ketika diaplikasikan pada database dengan big data (Ardiansyah et al, 2021;Hendrawan et al, 2022;Irawan et al, 2021;Rahmadi et al, 2020). Metode ini biasa dipakai untuk proses pengambilan suatu keputusan (Ali & Bukhari, 2021;Alita et al, 2021;García-Díaz et al, 2018;Setiyawati & Widiyanto, 2021), dan mencari penjumlahan terbobot dari rating pendataan pada setiap alternatif pada setiap atribut (Armansyah & Ramli, 2022;Dulhare, 2018;Sari et al, 2020).…”