IMPLEMENTASI ALGORITMA NAIVE BAYES DALAM KLASIFIKASI INFEKSI VIRUS CACAR MONYET

Alvino, M. (2025) IMPLEMENTASI ALGORITMA NAIVE BAYES DALAM KLASIFIKASI INFEKSI VIRUS CACAR MONYET. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (258kB)
	Text BAB II.pdf Restricted to Registered users only Download (363kB)
	Text BAB III.pdf Restricted to Registered users only Download (287kB)
	Text BAB IV.pdf Restricted to Registered users only Download (776kB)
	Text BAB V.pdf Download (178kB)
	Text DAFTAR PUSTAKA.pdf Download (170kB)

Abstract

Cacar monyet (Monkeypox) merupakan salah satu penyakit menular yang disebabkan oleh infeksi virus dan memiliki gejala mirip dengan penyakit cacar pada umumnya, seperti demam, pembengkakan kelenjar getah bening, serta ruam pada kulit. Deteksi dini terhadap infeksi cacar monyet sangat penting untuk mencegah penyebaran yang lebih luas serta mendukung proses penanganan medis yang cepat dan tepat. Penelitian ini bertujuan untuk mengklasifikasikan infeksi virus cacar monyet menggunakan algoritma Naive Bayes berdasarkan data gejala klinis pasien. Dataset yang digunakan adalah Monkeypox Coursework Dataset yang berisi 25.000 data pasien dengan 18 atribut dan dua kelas target, yaitu Positive dan Negative. Tahapan penelitian meliputi pre-processing (pembersihan data, imputasi data hilang, encoding, dan normalisasi), pemilihan fitur menggunakan metode Mutual Information, pelatihan model dengan algoritma Naive Bayes, serta evaluasi performa model menggunakan teknik 10-Fold Cross Validation. Hasil pengujian menunjukkan bahwa tanpa pemilihan fitur, algoritma Naive Bayes menghasilkan akurasi sebesar 70,29%, precision 70,66%, recall 95,15%, dan F1-score 81,10%. Sementara itu, dengan pemilihan fitur menggunakan Mutual Information, diperoleh akurasi sebesar 69,79%, precision 69,82%, recall 96,70%, dan F1-score 81,09%. Dari hasil tersebut dapat disimpulkan bahwa algoritma Naive Bayes cukup efektif dalam mengklasifikasikan infeksi virus cacar monyet dengan performa yang stabil. Nilai recall yang tinggi menunjukkan bahwa model mampu mengenali kasus positif dengan baik, sehingga dapat dimanfaatkan sebagai sistem pendukung keputusan dalam membantu tenaga medis melakukan diagnosis dini terhadap pasien yang terinfeksi.

Actions (login required)

View Item