Bilah Samping Artikel

Telah diserahkan
Dec 20, 2024
Diterima
Feb 5, 2025
Diterbitkan
May 23, 2025
Download
PDF
Statistic
Read Counter : 72 Download : 48

Isi Artikel Utama

Abstrak

Penyakit gagal jantung menunjukkan peningkatan prevalensi global yang mengkhawatirkan dengan kompleksitas dampak klinis yang signifikan. Studi ini mengimplementasikan algoritma Naive Bayes untuk memprediksi risiko gagal jantung, menghadirkan solusi yang lebih efisien dalam komputasi dan interpretasi dibandingkan Random Forest yang membutuhkan waktu komputasi tinggi atau SVM dengan akurasi 92%. Pendekatan metodologi mencakup preprocessing data terstruktur, meliputi penanganan missing value, pengembangan fitur, normalisasi skala, dan penyeimbangan dataset. Penerapan K-Fold Cross Validation dengan variasi K (2, 4, 5, 10) mencapai kinerja optimal pada K=4 dengan akurasi 85,1%, yang memungkinkan pengurangan tingkat kesalahan diagnosis hingga 14,9%. Pencapaian presisi 81,1%, recall 86,1%, dan AUC-ROC 0,914 berkontribusi pada penghematan biaya perawatan melalui ketepatan identifikasi dini. Sistem ini dapat diintegrasikan dalam skrining otomatis untuk efisiensi alokasi sumber daya medis, menghasilkan penghematan operasional signifikan melalui prioritasasi pasien berisiko tinggi dan intervensi preventif yang tepat waktu. Stabilitas performa dengan AUC-ROC konsisten (0,91-0,92) menjadikannya landasan handal untuk sistem pendukung keputusan klinis yang meningkatkan outcome pasien secara menyeluruh.

Kata Kunci

Classification Data Mining Gagal Jantung Naive Bayes

Rincian Artikel

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution-NoDerivatives 4.0 International License.

Cara Mengutip
[1]
M. A.-Z. Faradeya dan E. R. . Subhiyakto, “Klasifikasi Penyakit Gagal Jantung Menggunakan Algoritma Naive Bayes”, Jurnal Algoritma, vol. 22, no. 1, hlm. 115–127, Mei 2025.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)
Crossref
Scopus
Google Scholar
Europe PMC

References

  1. A. Wintarti and S. Adi, “Mathunesa Tahun 2022 Komparasi Metode Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Random Forest (RF) untuk Prediksi Penyakit Gagal Jantung,” Jurnal Ilmiah, 2022, doi: https://doi.org/10.26740/mathunesa.v10n2.p258-268.
  2. L. B. De Azevedo, G. G. Cucato, and B. Morseth, “Editorial: Sedentary behaviour and cardiometabolic health,” Front Cardiovasc Med, vol. 11, Oct. 2024, doi: 10.3389/fcvm.2024.1498410.
  3. G. Peerwani, B. Hanif, K. A. Rahim, M. Kashif, S. S. Virani, and S. Sheikh, “Presentation, management, and early outcomes of young acute coronary syndrome patients- analysis of 23,560 South Asian patients from 2012 to 2021,” BMC Cardiovasc Disord, vol. 24, no. 1, p. 378, Jul. 2024, doi: 10.1186/s12872-024-04036-1.
  4. H. Li et al., “Ischemic Heart Disease Mortality and Metabolic Risk Factors: A Global Analysis of Gender Disparities and Regional Variations (1980–2021),” Jan. 16, 2025. doi: 10.21203/rs.3.rs-5820382/v1.
  5. A. O. Bilchenko et al., “Acute myocardial infarction complicated by cardiogenic shock in Ukraine: multicentre registry analysis 2021–2022,” Front Cardiovasc Med, vol. 11, Mar. 2024, doi: 10.3389/fcvm.2024.1377969.
  6. H. Nursita et al., “Peningkatan Kualitas Hidup pada Pasien Gagal Jantung: A Narrative Review Article,” Jurnal Berita Ilmu Keperawatan, vol. 13, no. 1, pp. 10–21, 2020, doi: https://dx.doi.org/10.23917/bik.v13i1.11916.
  7. A. Yani, Z. Azmi, and D. Suherdi, “Implementasi Data Mining Menganalisa Data Penjualan Menggunakan Algoritma K-Means Clustering,” Jurnal Sistem Informasi Triguna Dharma (JURSI TGD), vol. 2, no. 2, p. 315, Mar. 2023, doi: 10.53513/jursi.v2i2.6357.
  8. D. Muriyatmoko, A. Musthafa, and M. H. Wijaya, “Klasifikasi Profil Kelulusan Nilai AKPAM Dengan Metode Decision Tree C4.5,” Apr. 2024.
  9. D. Muriyatmoko, A. Musthafa, and M. H. Wijaya, “Klasifikasi Profil Kelulusan Nilai AKPAM Dengan Metode Decision Tree C4.5,” Apr. 2024.
  10. P. Septiani, I. Pratiwi, M. Ghofar Rohman, and M. Sholihin, “Sistem Pakar Penyakit Telinga Menggunakan Metode Naïve Bayes,” 2023. doi: https://doi.org/10.29407/gj.v7i2.19991.
  11. Dian, Purnawansyah, H. Darwis, and L. Nurhayati, “Klasifikasi Penyakit Bawang Merah Menggunakan Naïve Bayes dan Convolutional Neural Network,” The Indonesian Journal of Computer Science, vol. 12, no. 4, Aug. 2023, doi: 10.33022/ijcs.v12i4.3265.
  12. Q. Hasanah, H. Oktavianto, and Y. D. Rahayu, “Analisis Algoritma Gaussian Naive Bayes Terhadap Klasifikasi Data Pasien Penderita Gagal Jantung Gaussian Naive Bayes Algorithm Analysis Of Data Classification Of Heart Failure Patiens,” May 2022. [Online]. Available: http://jurnal.unmuhjember.ac.id/index.php/JST
  13. A. Sepharni, I. E. Hendrawan, C. Rozikin, and S. Karawang, “Klasifikasi Penyakit Jantung dengan Menggunakan Algoritma C4.5,” 2022. doi: http://dx.doi.org/10.30998/string.v7i2.12012.
  14. Y. Pratama, A. Prayitno, D. Azrian, N. Aini, Y. Rizki, and E. Rasywir, “Klasifikasi Penyakit Gagal Jantung Menggunakan Algoritma K-Nearest Neighbor,” Bulletin of Computer Science Research, vol. 3, no. 1, pp. 52–56, Dec. 2022, doi: 10.47065/bulletincsr.v3i1.203.
  15. P. Tamba, “Prediksi Penyakit Gagal Jantung dengan Menggunakan Random Forest,” Jurnal Sistem Informasi dan Ilmu Komputer Prima), vol. 5, no. 2, 2022, doi: https://doi.org/10.34012/jurnalsisteminformasidanilmukomputer.v5i2.2445.
  16. A. Arifuddin, G. S. Buana, R. A. Vinarti, and A. Djunaidy, “Performance Comparison of Decision Tree and Support Vector Machine Algorithms for Heart Failure Prediction,” in Procedia Computer Science, Elsevier B.V., 2024, pp. 628–636. doi: 10.1016/j.procs.2024.03.048.
  17. A. Desiani, “Perbandingan Implementasi Algoritma Naïve Bayes dan K-Nearest Neighbor Pada Klasifikasi Penyakit Hati,” SIMKOM, vol. 7, no. 2, pp. 104–110, Jul. 2022, doi: 10.51717/simkom.v7i2.96.
  18. H. Derajad Wijaya and S. Dwiasnati, “Implementasi Data Mining dengan Algoritma Naïve Bayes pada Penjualan Obat,” JURNAL INFORMATIKA, vol. 7, no. 1, 2020, doi: https://doi.org/10.31294/ji.v7i1.6203.
  19. E. Oluwasakin et al., “Minimization of high computational cost in data preprocessing and modeling using MPI4Py,” Machine Learning with Applications, vol. 13, p. 100483, Sep. 2023, doi: 10.1016/j.mlwa.2023.100483.
  20. S. Alam, M. S. Ayub, S. Arora, and M. A. Khan, “An investigation of the imputation techniques for missing values in ordinal data enhancing clustering and classification analysis validity,” Decision Analytics Journal, vol. 9, p. 100341, Dec. 2023, doi: 10.1016/j.dajour.2023.100341.
  21. M. R. Machado, A. Asadi, R. W. R. de Souza, and W. C. Ugulino, “Green AI in the finance industry: Exploring the impact of feature engineering on the accuracy and computational time of Machine Learning models,” Appl Soft Comput, vol. 167, p. 112343, Dec. 2024, doi: 10.1016/j.asoc.2024.112343.
  22. R. C R and Dr. S. C P, “Evaluating Deep Learning with different feature scaling techniques for EEG-based Music Entrainment Brain Computer Interface,” e-Prime - Advances in Electrical Engineering, Electronics and Energy, vol. 7, p. 100448, Mar. 2024, doi: 10.1016/j.prime.2024.100448.
  23. J. Gu and S. Lu, “An effective intrusion detection approach using SVM with naïve Bayes feature embedding,” Comput Secur, vol. 103, p. 102158, Apr. 2021, doi: 10.1016/j.cose.2020.102158.