Seleksi Fitur Dengan Menggunakan Metode Entropy Pada Algoritma Klasifikasi Naive Bayes Untuk Penyakit Diabetes

Victor Tarigan

Abstract


Gangguan kesehatan yang kerap terjadi pada masyarakat salah satunya adalah Diabetes yang merupakan penyakit yang disebabkan kadar gula darah yang tinggi. Saat ini konsep data mining  banyak digunakan di berbagai macam aspek. Salah satu luaran konsep data mining adalah klasifikasi. Data mining adalah proses pengumpulan dan pengolahan data yang bertujuan untuk mengekstrak informasi penting pada data. Klasifikasi adalah tipe analisis data yang dapat membantu menentukan kelas label dari sampel yang ingin diklasifikasi. Ada beberapa algoritma klasifikasi yang dapat digunakan untuk menentukan hasil klasifikasi berdasarkan atribut atau fitur yang ada. Algoritma Naïve Bayes adalah salah satu algoritma klasifikasi yang sering digunakan untuk proses klasifikasi dengan data yang banyak dan kompleks dan efektif untuk mengklasifikasikan data medis, termasuk dalam klasifikasi penyakit diabetes. Untuk mendapatkan hasil klasifikasi dalam konsep data mining ada beberpa langkah yang harus dijalankan proses data mining, antara lain : input data, Pre-processing / cleaning, proses data mining, dan post processing Diantara tahapan-tahapan Pre-processing di atas, pada penelitian ini akan difokuskan pada seleksi fitur. Salah satu metode untuk seleksi fitur adalah dengan menggunakan metode Entropy. Diharapkan dengan menghilangkan fitur dari data yang ada dan memiliki nilai informasi rendah, akurasi klasifikasi dapat ditingkatkan dan dapat membantu dalam upaya pencegahan dan pengobatan dini penyakit diabetes

Keywords


Klasifikasi, Seleksi Fitur, Entropy, Naive Bayes, Diabetes

References


F. D. T. A. Latifah Uswatun Khasanah, Yuki Novia Nasution, “Klasifikasi Penyakit Diabetes Melitus Menggunakan Algoritma Naïve Bayes Classifier,” BASIS, vol. 1, no. 1, pp. 41–50, 2022, doi: 10.32528/justindo.v7i1.4949.

F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.

S. H. A. Aini, Y. A. Sari, and A. Arwan, “Seleksi Fitur Information Gain untuk Klasifikasi Penyakit Jantung Menggunakan Kombinasi Metode K-Nearest Neighbor dan Naïve Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, pp. 2546–2554, 2018, [Online]. Available: http://j-ptiik.ub.ac.id

V. S. M. P. Paryoko, “Seleksi Fitur Pada Klasifikasi Multi-label Menggunakan Proportional Feature Rough Selector,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 4, pp. 2084–2094, 2021, doi: 10.35957/jatisi.v8i4.1259.

A.- Meiriza, E. Lestari, and R. Zulfahmi, “Implementasi Metode Entropy Dan Technique For Order Preference By Similarity To Ideal Solution (Topsis) Dalam Pemilihan Biro Perjalanan Umroh,” JSI J. Sist. Inf., vol. 11, no. 1, pp. 77–90, 2019, doi: 10.36706/jsi.v11i1.7686.

C. E. Prawiro, M. Y. H. Setyawan, and S. F. Pane, “Studi Komparasi Metode Entropy dan ROC dalam Menentukan Bobot Kriteria,” J. Tekno Insentif, vol. 15, no. 1, pp. 1–14, 2021, doi: 10.36787/jti.v15i1.353.

F. A. Andi Akram, Nur Risal, Nur Inayah Yusuf, Andi Baso Kaswar, “Penerapan Data Mining dalam Mengklasifikasikan Tingkat Kasus Covid-19 di Sulawesi Selatan Menggunakan Algoritma Naive Bayes,” Indones. J. Fundam. Scienes, vol. 7, no. 1, pp. 18–28, 2021.




DOI: http://dx.doi.org/10.30811/jim.v8i2.4241

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 victor tarigan