Penerapan Algoritma Naïve Bayes Untuk Prediksi Penyakit Paru (Studi Kasus : Rumah Sakit Umum Daerah Dokter Soeratno Gemolong)
DOI:
https://doi.org/10.47701/cvxw3k55Keywords:
Naive Bayes, Klasifikasi, Penyakit Paru, RapidMinerAbstract
Penyakit paru merupakan salah satu masalah kesehatan global yang memerlukan penanganan cepat dan akurat, terutama dalam hal diagnosis dini. Penelitian ini bertujuan untuk mengklasifikasikan jenis penyakit paru yaitu Penyakit Paru Obstruktif Kronis (PPOK), Tuberkulosis (TBC), dan Pneumonia dengan menerapkan algoritma Naive Bayes. Data yang digunakan berasal dari rekam medis pasien di Rumah Sakit Umum Daerah (RSUD) dr. Soeratno Gemolong, diambil dari Sistem Informasi Manajemen (SIM GOS) selama periode Januari hingga Juni 2024. Dataset mencakup 5.203 data pasien dengan atribut berupa Kode ICD, Diagnosa Penyakit, Usia, dan Jenis Kelamin. Hasil analisis awal menunjukkan bahwa pasien laki-laki berusia di atas 45 tahun memiliki prevalensi lebih tinggi terhadap penyakit paru. Sebaran kasus menunjukkan PPOK sebanyak 4.712 kasus, TBC 422 kasus, dan Pneumonia 69 kasus. Proses klasifikasi dan analisis data dilakukan menggunakan perangkat lunak RapidMiner. Diharapkan hasil penelitian ini dapat memberikan kontribusi dalam pengembangan sistem pendukung keputusan (decision support system) untuk membantu diagnosis penyakit paru secara lebih cepat dan akurat.
References
[1] World Health Organization. (2024, May 2). The top 10 causes of death. https://www.who.int/news-room/fact-sheets/detail/the-top- 10-causes-of-death
[2] American Thoracic Society. (2023). Key Facts About Lung Disease. https://www.thoracic.org/patients/patient-resources/resources/key- facts-about-lung-disease.pdf
[3] Holmes, J. H. (2022). Leveraging big data analytics in healthcare for improved patient outcomes. Journal of Health Information Systems, 15(3), 201–215.
[4] Bhatia, K. P., & Singh, V. K. (2021). Predictive analytics in electronic health records using deep learning: A systematic review. Journal of Medical Systems, 45(3), 1–15.
[5] Smith, J. (2022, October). The role of classification algorithms in clinical decision support systems. Dalam Proceedings of the International Conference on Health Informatics, London, UK (hlm. 112–118).
[6] Devi, R. S. (2020). Data mining in healthcare: Opportunities and challenges. International Journal of Advanced Research in Computer Engineering & Technology, 9(6), 227–231.
[7] Firmansyah, M. (2024). Improve accuracy in the process of diagnosing various types of lung diseases by using the Naïve Bayes classifier. IJISTECH (International Journal of Information System and Technology).
[8] Verma, A. R., & Singh, R. K. (2023, September). Performance analysis of Naive Bayes classifier on large datasets. Dalam Proceedings of the International Conference on Advanced Computing & Communications, Jaipur, India (hlm. 200–205).
[9] Singh, R. A., Das, S., & Gupta, S. (2023). Integration of machine learning in clinical decision support systems. ResearchGate.
[10] Karlena dkk (2022), "Market Basket Analysisuntuk Mengetahui Pola Beli Konsumen Roofbox Mobil menggunakan Algoritme Apriori", Jurnal Teknologika Volume 12 No. 2 November 2022, 308-316
[11] Wulandari, F., Jusia, P. A., & Jasmir. (2020). Klasifikasi Data Mining Untuk Mendiagnosa Penyakit ISPA Menggunakan Metode Naïve Bayes Pada Puskesmas Jambi Selatan. Jurnal Manajemen Teknologi Dan Sistem Informasi (JMS). 2(3): 214–227.
[12] Padilah, T. N., & Adam, R. I. (2019). Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas Tanaman Padi Di Kabupaten Karawang. FIBONACCI: Jurnal Pendidikan Matematika dan Matematika, 5(2), 117.
https://doi.org/10.24853/fbc.5.2.117-128
[13] A. Arum Sari and P. Pramono, “Penerapan Algoritma Deep Belief Networks (DBNs) Untuk Prediksi Kanker Serviks,” Feb. 2024. doi: https://doi.org/10.47701/dutacom.v17i1.3790
