Ria Febriyanti (11153030), Diagnosa
Penyakit Dyspepsia Dengan Algoritma Naïve Bayes Pada
Klinik Makmur Jaya Ciputat Tangerang Selatan
Pada dunia kesehatan secara teknis sudah mengenal Data mining dalam cakupan luas menjadi potensial informasi, salah satunya Data mining dapat dimanfaatkan untuk mendiagnosa berbagai penyakit
dengan menggunakan beberapa teknik seperti klasifikasi. Salah satu metode
klasifikasi yang cukup
popular adalah Metode
Algoritma Naïve Bayes. Dalam studi kasus ini yang dibahas adalah
salah satu penyakit
yang tidak menular yaitu Dyspepsia. Pengkategorian penyakit ini
dengan mengolah 195 data gejala penyakit yang berkaitan dengan
Dyspepsia yang berasal dari arsip rekam
medik Klinik Makmur Jaya Ciputat Tangerang Selatan. Sampel data yang
diambil untuk penghitungan metode Algoritma Naïve
bayes secara manual berjumlah 150 data dengan sampel pengujian sebanyak 1
data. Pengambilan sampel ditujukan untuk membuat model penghitungan metode Naïve bayes secara manual. Hasil dari
penghitungan metode Naïve bayes menunjukkan bahwa seluruh data dapat diklasifikasi dengan tingkat akurasi
89,66% serta tidak ada satupun data yang diklasifikasikan secara tidak tepat
pada penelitian ini.
ix
Ria Febriyanti (11153030),
Diagnosis of Dyspepsia With Naïve Bayes Algorithm At Klinik Makmur Jaya Ciputat
South Tangerang
In the world of health
that is technically known Mining data in broad
potential becomes
information, one of which is data mining can be used to diagnose variouse
diseases using variouse tecniques such as merging. One classification method
that is quite popular is the Naïve Bayes Algorithm Method. One non communicable
disease is dyspepsia. Categorizing this disease by processing 195 data on
symptoms of diseases related tto dyspepsia originating from the medical record
archive of Makmur Jaya Ciputat Clinic, South Tangerang. Samples of data are
taken for calculating the Naïve Bayes Algorithm method 150 data with a sample
of 1 data. Sampling is intended to make a calculation model using the manual
method. The results of calculating the Naïve Bayes method show that the overall
data can be classified with an accuracy rate
of 89.66% and no approved data that is not in accordance with this study.
Fithriyana, R. (2018). Faktor-Faktor Yang
Berhubungan Dengan Kejadian Dispepsia Pada Pasien Di Wilayah Kerja Puskesmas
Bangkinang Kota. PREPOTIF Jurnal
Kesehatan Masyarakat, 2(2),
43–54.
Octaviana, E. S. L., &
Anam, K. (2018). Faktor-faktor yang berhubungan dengan
upaya keluarga dalam pencegahan penyakit dispepsia di wilayah kerja
puskesmas mangkatip kabupaten barito selatan. Jurnal Langsat, 5(1).
Rohani, R., Gunawan, M. R., Masitoh, I. I., &
Furqoni, D. P. (2014). hubungan pola makan dengan sindroma dispepsia remaja
putri di smp negeri i karya penggawa kabupaten pesisir barat tahun 2013. Holistik Jurnal Kesehatan, 8(2).
Fatmawati. (2016). Perbandingan Algoritma Klasifikasi Data Mining Model
C4 . 5 Dan Naive Bayes
Untuk Prediksi Penyakit Diabetes. Jurnal
Techno Nusa Mandiri, XIII(1),
50–59.
Palu, D. U., Nugraha, D. W., Dodu, A. Y. E., Chandra, N., Informasi, J. T., Teknik,
F., & Tadulako, U. (2017). Klasifikasi
penyakit stroke menggunakan metode. 3(2),
13–22.
Prayoga, N. D., Hidayat, N., & Dewi, R. K. (2018).
Sistem Diagnosis Penyakit Hati
Menggunakan Metode Naïve Bayes. 2(8),
2666–2671.
Rosandy, Triowali. 2016. Perbandingan metode
Naïve Bayes Classifier dengan metode Decision
Tree (C.45) Untuk Menganalisa Kelancaran Pemiayaan. ISSN: 2442- 5567. Bandar Lampung Vol. 02, No, 01,
Mei 2016:52-62.
Margono. 2010. Metodologi
Penelitian Pendidikan. Jakarta: Rineka Cipta.
Sugiyono. 2010.
Metode Penelitian Kuantitatif Kualitatif dan
R&D. Bandung: Alfabeta.
Sukadinata, Nana Syaodih. 2011.
Metode Penelitian Pendidikan.
Bandung: Remaja Rosdakarya
Kusrini dan Emha Taufiq Luthfi. 2009. Algoritma Data
Mining. Yogyakarta: Andi Offset.
Gejala Penyakit Dyspepsia.
Diambil dari:http://www.honestdocs.id/dyspepsia. (2019)