UWKSUWKS

KARSA NUSANTARAKARSA NUSANTARA

Pemanfaatan algoritma klasifikasi dalam bidang kesehatan dapat membantu mengidentifikasi status kesehatan individu secara lebih akurat dan efisien. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naive Bayes dan K-Nearest Neighbor (K-NN) dalam mengklasifikasikan status kesehatan berdasarkan beberapa parameter menurut kebiasaan gaya hidup seperti kebiasaan merokok, aktifitas bekerja, aktifitas begadang, aktifitas olahraga, pola makan teratur dan penyakit bawaan. Data diolah menggunakan Google Colaboratory dengan pembagian 80% data latih dan 20% data uji. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa algoritma, Naïve Bayes dan K-Nearest Neighbor, keduanya menunjukkan akurasi yang sama, yaitu 0.92, dimana keduanya dapat digunakan secara efektif, tetapi, jika data memeiliki distribusi normal dan kontinu, naïve bayes bisa menjadi pilihan yang efisien. Temuan ini mengindikasikan bahwa pemilihan algoritma sebaiknya disesuaikan dengan kebutuhan sistem, apakah mengutamakan akurasi atau efisiensi. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem klasifikasi kesehatan berbasis machine learning yang efektif dan adaptif.

Penelitian ini bertujuan untuk membandingkan kinerja algoritma naïve bayes dan K-NN dalam mengklasifikasikan status Kesehatan berdasarkan data yang mencakup variable usia, jenis kelamin, serta enam variable lainnya, dengan satu label berupa hasil.Tujuan tersebut telah tercapai melalui pengitungan algoritma dan hasil pengujian model yang di olah menggunakan Google Colab, dimana kedua algoritma menunjukkan akurasi yang sama.Artinya, kedua algoritma dapat digunakan secara efektif, tetapi jika data memiliki distribusi normal dan kontinu, naïve bayes bisa menjadi pilihan yang efisien.Sedangkan K-NN cocok untuk data yang tidak memerlukan asumsi distribusi dan lebih eksploratif terhadap pola-pola lokal data.

Berdasarkan penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dikembangkan. Pertama, penelitian selanjutnya dapat mengeksplorasi penggunaan teknik feature engineering yang lebih canggih untuk meningkatkan akurasi klasifikasi, misalnya dengan melakukan seleksi fitur atau transformasi fitur yang relevan dengan karakteristik data kesehatan. Kedua, penelitian dapat memperluas cakupan data dengan menggabungkan data dari berbagai sumber, seperti rekam medis elektronik atau data sensor wearable, untuk mendapatkan gambaran yang lebih komprehensif tentang status kesehatan individu. Ketiga, penelitian dapat menguji efektivitas algoritma klasifikasi lainnya, seperti Support Vector Machine (SVM) atau Random Forest, untuk melihat apakah ada algoritma yang lebih unggul dalam mengklasifikasikan status kesehatan berdasarkan data yang digunakan.

  1. [1007.0085] Survey of Nearest Neighbor Techniques. survey nearest neighbor techniques computer science... doi.org/10.48550/arXiv.1007.00851007 0085 Survey of Nearest Neighbor Techniques survey nearest neighbor techniques computer science doi 10 48550 arXiv 1007 0085
Read online
File size550.63 KB
Pages9
DMCAReport

Related /

ads-block-test