UKRIMUKRIM

Infact: International Journal of ComputersInfact: International Journal of Computers

Penyakit jantung merupakan penyakit dengan angka kematian yang tinggi di seluruh dunia. Oleh karena itu, penelitian ini bertujuan untuk mengelola data penyakit jantung dengan menggunakan metode data mining Naive Bayes. Hasil analisis menunjukkan dapat mengklasifikasikan data penyakit jantung secara efektif dengan akurasi 79,92% dibandingkan hasil diagnosis medis. Namun metode Naïve Bayes masih memiliki kelemahan yaitu tidak dapat menghitung keakuratan klasifikasi. Dengan menggunakan teknik analisis data tingkat lanjut, hasil penelitian ini diharapkan dapat memberikan pedoman yang lebih baik dalam upaya penanganan penyakit jantung.

Penelitian ini berhasil mengelola data penyakit jantung menggunakan metode Naive Bayes dan menemukan temuan penting.Hasil analisis menunjukkan bahwa metode tersebut dapat mengklasifikasikan data penyakit jantung secara efektif, memberikan kontribusi signifikan terhadap pemahaman dan deteksi dini kondisi kesehatan.Kesimpulannya, model yang dibangun mencapai akurasi sebesar 79,92% bila dibandingkan dengan diagnosis dokter.

Penelitian selanjutnya dapat mengevaluasi kinerja model Naive Bayes bila digabungkan dengan teknik seleksi fitur berbasis algoritma genetika untuk meningkatkan akurasi klasifikasi penyakit jantung. Selain itu, studi komparatif antara Naive Bayes, Random Forest, dan Deep Learning dapat dilakukan dengan menggunakan dataset yang lebih besar dan beragam untuk menilai kehandalan masing-masing metode dalam konteks klinis. Selanjutnya, penelitian dapat mengembangkan sistem prediksi real‑time berbasis aplikasi mobile yang memanfaatkan model hybrid Naive Bayes‑Support Vector Machine, sehingga memungkinkan pemantauan risiko secara terus‑menerus pada pasien. Terakhir, analisis dampak integrasi data riwayat medis elektronik dengan variabel lifestyle pada model prediksi dapat memberikan wawasan lebih mendalam tentang faktor risiko utama dan mendukung kebijakan pencegahan yang lebih tepat sasaran. Penelitian juga dapat menguji validitas model pada populasi berbeda, misalnya pada kelompok usia lanjut atau pasien dengan komorbiditas, untuk memastikan generalisasi hasil yang lebih luas.

  1. Komparasi Dalam Prediksi Gagal Jantung Dengan Menggunakan Metode C4.5 dan Naïve Bayes | Jurnal Informatika... ejournal.unama.ac.id/index.php/jakakom/article/view/759Komparasi Dalam Prediksi Gagal Jantung Dengan Menggunakan Metode C4 5 dan Nayve Bayes Jurnal Informatika ejournal unama ac index php jakakom article view 759
  2. PERBANDINGAN PREDIKSI PENYAKIT HIPERTENSI MENGGUNAKAN METODE RANDOM FOREST DAN NAÏVE BAYES | JATI... doi.org/10.36040/jati.v7i1.6376PERBANDINGAN PREDIKSI PENYAKIT HIPERTENSI MENGGUNAKAN METODE RANDOM FOREST DAN NAyaVE BAYES JATI doi 10 36040 jati v7i1 6376
  3. Pengelolaan Data Penyakit Jantung Dengan Menggunakan Metode Naive Bayes | Infact: International Journal... journal.ukrim.ac.id/index.php/JIF/article/view/531Pengelolaan Data Penyakit Jantung Dengan Menggunakan Metode Naive Bayes Infact International Journal journal ukrim ac index php JIF article view 531
Read online
File size398.68 KB
Pages6
DMCAReport

Related /

ads-block-test