Perbandingan Algoritma Support Vector Machine dan Naïve Bayes pada Klasifikasi Penyakit Tekanan Darah Tinggi (Studi Kasus: Klinik Polresta Samarinda)

  • Raka Putra Pridiptama Laboratorium Matematika Komputasi Program Studi Matematika Jurusan Matematika FMIPA Universitas Mulawarman
  • Wasono Wasono Laboratorium Matematika Komputasi Program Studi Matematika Jurusan Matematika FMIPA Universitas Mulawarman
  • Fidia Deny Tisna Amijaya Laboratorium Matematika Komputasi Program Studi Matematika Jurusan Matematika FMIPA Universitas Mulawarman

Abstract

Klasifikasi adalah suatu proses untuk menemukan sifat-sifat yang sama dalam suatu himpunan data untuk diklasifikasikan ke dalam kelas-kelas yang berbeda. Algoritma metode klasifikasi yang digunakan dalam penelitian ini adalah support vector machine (SVM) dan naïve Bayes. Algoritma SVM adalah supervised learning yang bekerja dengan mencari hyperplane atau fungsi pemisah terbaik untuk memisahkan kelas, sedangkan naïve Bayes adalah supervised learning yang didasarkan pada asumsi kemandirian (naif) antar prediktor yang dikenal dengan teorema Bayes. Penelitian ini bertujuan untuk mengetahui model dan keakuratan algoritma SVM dan naïve Bayes dalam melakukan klasifikasi terhadap status hipertensi dari rekam medis pasien di Klinik Polresta Samarinda tahun 2022. Berdasarkan analisis akurasi pada algoritma SVM sebesar 96,67% dengan tepat mengklasifikasikan 29 dari 30 data sedangkan pada algoritma naïve Bayes sebesar 93,33% dengan tepat mengklasifikasikan 28 dari 30 data. Hasil perbandingan pengukuran akurasi dari kedua algoritma tersebut menunjukkan bahwa algoritma SVM memiliki tingkat akurasi yang lebih baik dibandingkan dengan algoritma naïve Bayes.

References

[1] Mufarida, B. (2021). WHO Catat 66% Kematian di Indonesia Akibat Penyakit Tidak Menular. Dilansir dari https://nasional.sindonews.com/read/324320/15/who-catat-66-kematian-di-indonesia-akibat-penyakit-tidak-menular. Diakses pada tanggal 16 Januari 2023.
[2] Rokom. (2019). Hipertensi Penyakit Paling Banyak Diidap Masyarakat. Dikutip dari https://sehatnegeriku.kemkes.go.id/baca/umum/20190517/5130282/hipertensi-penyakit-paling-banyak-diidap-masyarakat. Diakses pada tanggal 8 Januari 2023.
[3] LeMone, P., Burke, K. M., dan Bauldoff, G. (2018). Buku Ajar Keperawatan Medikal Bedah: Gangguan Kardiovaskular. Jakarta: EGC.
[4] Kemkes. (2018). Faktor Risiko Hipertensi. Dikutip dari https://p2ptm.kemkes.go.id/infographic-p2ptm/hipertensi-penyakit-jantung-dan-pembuluh-darah/faktor-risiko-hipertensi. Diakses pada tanggal 10 Februari 2023.
[5] Nofriansyah, D., dan Nurcahyo, G.W. (2015). Algoritma Data Mining Dan Pengujian. Yogyakarta: Deepublish.
[6] Gong, D. (2022). Top 6 Machine Learning Algorithms for Classification. Dikutip dari https://towardsdatascience.com/top-machine-learning-algorithms-for-classification-2197870ff501.
[7] Mulaab. (2017). Data Mining: Konsep dan Aplikasi. Malang: Media Nusa Creative.
[8] Damayunita, A., Fuadi, RS., dan Juliane, C. (2022). Comparative Analysis of Naı̈ve Bayes, K-Nearest Neighbors (KNN), and Support Vector Machine (SVM) Algorithms for Classification of Heart Disease Patients. JOIN, 7 (2). DOI: 10.15575/join.v7i2.919.
[9] Watomakin, DB. (2019). Comparison of Performance Support Vector Machine Algorithm and Naive Bayes for Diabetes Diagnosis. Proceedings of the International Conference on Science in Information Technology (ICSITech), Yogyakarta, 88-94.
Published
2024-03-25
How to Cite
PRIDIPTAMA, Raka Putra; WASONO, Wasono; AMIJAYA, Fidia Deny Tisna. Perbandingan Algoritma Support Vector Machine dan Naïve Bayes pada Klasifikasi Penyakit Tekanan Darah Tinggi (Studi Kasus: Klinik Polresta Samarinda). Basis : Jurnal Ilmiah Matematika, [S.l.], v. 3, n. 1, p. 1-16, mar. 2024. ISSN 2962-6013. Available at: <https://jurnal.fmipa.unmul.ac.id/index.php/Basis/article/view/1264>. Date accessed: 20 apr. 2024. doi: https://doi.org/10.30872/basis.v3i1.1264.