IDID

Jurnal Ilmu Komputer dan InformatikaJurnal Ilmu Komputer dan Informatika

Pada Januari 2020, dikonfirmasi bahwa virus Corona dapat menular dari manusia ke manusia melalui saluran pernapasan atas dengan tingkat infeksi yang tinggi. Jumlah kasus virus Corona di seluruh dunia terus meningkat pesat melalui kontak dekat, droplet, dan penularan udara. Menanggapi hal ini, pemerintah dan WHO menerapkan langkah pencegahan, termasuk persiapan pengobatan virus Corona, peningkatan kapasitas layanan kesehatan darurat, dan skrining pasien. Deteksi dini virus Corona menjadi penting dalam mengambil tindakan, memberikan pengobatan, dan melindungi orang lain. Dalam algoritma Naïve Bayes, masalah potensial muncul dengan kemungkinan probabilitas nol untuk beberapa fitur atau atribut dalam data prediksi virus Corona. Oleh karena itu, Laplace Smoothing digunakan untuk mengatasi masalah ini. Studi ini bertujuan membandingkan tingkat akurasi rata-rata algoritma Gaussian Naïve Bayes dan Categorical Naïve Bayes dengan proporsi data pelatihan yang berbeda tetapi data uji yang sama untuk deteksi virus Corona. Metode yang digunakan dalam penelitian ini adalah Gaussian Naïve Bayes dan Categorical Naïve Bayes dengan Laplace Smoothing yang diimplementasikan menggunakan perpustakaan Python scikit-learn. Hasil penelitian menunjukkan bahwa algoritma Gaussian Naïve Bayes tanpa Laplace Smoothing memiliki rata-rata akurasi 0,902165, sedangkan dengan Laplace Smoothing memiliki rata-rata akurasi 0,973448. Untuk algoritma Categorical Naïve Bayes, tanpa Laplace Smoothing memiliki rata-rata akurasi 0,983864, sedangkan dengan Laplace Smoothing memiliki rata-rata akurasi 0,984273. Kesimpulan menunjukkan bahwa Laplace Smoothing berperan signifikan dalam meningkatkan akurasi rata-rata algoritma Naïve Bayes. Categorical Naïve Bayes mencapai akurasi rata-rata tertinggi 0,9840685 (dengan dan tanpa Laplace Smoothing), sementara Gaussian Naïve Bayes mencapai 0,947549 (dengan dan tanpa Laplace Smoothing). Categorical Naïve Bayes memiliki akurasi rata-rata yang lebih tinggi dibandingkan Gaussian Naïve Bayes.

Laplace Smoothing berperan penting dalam meningkatkan akurasi algoritma Naïve Bayes.Categorical Naïve Bayes mencapai akurasi rata-rata tertinggi 0,9840685, sedangkan Gaussian Naïve Bayes mencapai 0,947549.Peningkatan jumlah data pelatihan juga berdampak pada peningkatan akurasi algoritma Naïve Bayes dengan Laplace Smoothing.Masalah deteksi virus Corona berdasarkan data gejala selama pandemi berhasil diselesaikan dengan mencapai nilai akurasi tinggi.

Penelitian lanjutan dapat mengkaji efektivitas metode smoothing lainnya seperti additive smoothing atau k-fold cross-validation dalam meningkatkan akurasi algoritma Naïve Bayes untuk deteksi penyakit. Selain itu, penggunaan data gejala yang lebih lengkap atau kombinasi dengan teknik machine learning lainnya seperti random forest dapat dikembangkan untuk meningkatkan keakuratan prediksi. Penelitian juga dapat mengeksplorasi penerapan algoritma ini pada penyakit lain dengan karakteristik data yang berbeda, serta mengevaluasi dampak penggunaan data real-time dalam skenario pandemi.

  1. Comparative Analysis of Gaussian Naïve Bayes and Categorical Naïve Bayes Algorithms with Laplace... jiki.jurnal-id.com/index.php/jiki/article/view/286Comparative Analysis of Gaussian Nayve Bayes and Categorical Nayve Bayes Algorithms with Laplace jiki jurnal id index php jiki article view 286
  2. Evaluasi Performa Algoritma C4.5 dan C4.5 Berbasis PSO untuk Memprediksi Penyakit Diabetes | Jurnal E-Komtek.... jurnal.politeknik-kebumen.ac.id/index.php/E-KOMTEK/article/view/230Evaluasi Performa Algoritma C4 5 dan C4 5 Berbasis PSO untuk Memprediksi Penyakit Diabetes Jurnal E Komtek jurnal politeknik kebumen ac index php E KOMTEK article view 230
Read online
File size702.52 KB
Pages10
DMCAReport

Related /

ads-block-test