PENERAPAN DATA MINING UNTUK KLASIFIKASI DATA PENYAKIT GINJAL KRONIK MENGGUNAKAN METODE NAÏVE BAYES DAN SELEKSI FITUR INFORMATION GAIN

Augustian, Rhesa (2023) PENERAPAN DATA MINING UNTUK KLASIFIKASI DATA PENYAKIT GINJAL KRONIK MENGGUNAKAN METODE NAÏVE BAYES DAN SELEKSI FITUR INFORMATION GAIN. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (323kB)
	Text BAB II.pdf Restricted to Registered users only Download (567kB)
	Text BAB III.pdf Restricted to Registered users only Download (364kB)
	Text BAB IV.pdf Restricted to Registered users only Download (717kB)
	Text BAB V.pdf Download (13kB)
	Text DAFTAR PUSTAKA.pdf Download (232kB)

Abstract

Penyakit ginjal kronik (PGK) merupakan salah satu masalah kesehatan serius yang ada didunia. Berdasarkan data dari Riskesdas penyakit ginjal kronik naik dari 2% menjadi 3,8%. Karena terjadinya peningkatan sehingga pasien PGK yang menjalani terapi HD mengalami peningkatan sebanyak 78.281 pasien, 25.446 pasien baru dan 52.835 pasien lama yang masih aktif. Mengacu pada permasalahan tersebut maka diperlukan sebuah metode yang dapat digunakan untuk mengurangi tingkat kesalahan dan kecurangan yaitu dengan menerapkan teknik data mining, Data mining ini memiliki banyak fungsi. Tetapi, yang paling utama adalah sebagai Fungsi descriptive dan fungsi predictive. Dengan memanfaatkan metode Naive Bayes Klasifikasi ini diharapkan mampu membantu user untuk menghitung jumlah Data Penyakit Ginjal Kronik dengan skala yang besar. Penelitian ini menggunakan data yang diperoleh dari dataset Penyakit Ginjal Kronik yang bersumber dari Dataset Kaggle dengan data yang berjumlah 450 data dan 12 atribut yaitu Umur, sel darah merah, pussel, puscell, bakteri, hipertensi, diabetes, cad, nafsu makan, edema, anemia, klasifikasi Berdasarkan dari data set yang dijadikan data training, metode Naive Bayes berhasil mengklasifikasikan 6 data dari 12 data yang diuji. Sehingga dengan menggunakan metode Naive Bayes dengan data tes yang ditentukan secara acak didapatkan persentase keakurasian sebesar 90% dan error 9.57%. Dengan nilai keakurasian tersebut bisa terbilang cukup baik.

Actions (login required)

View Item