Komparasi Metode Naive Bayes dan C4.5 Pada Klasifikasi Persalinan Prematur
Abstract
Persalinan prematur adalah persalinan diluar masa lahir bayi yang menyebabkan kematian bagi bayi serta komplikasi terhadap ibu bayi. Juga menjadi beban tenaga medis dengan tren peningkatan sebanyak 8%. Klasifikasi data mining hadir sebagai pemecah masalah deteksi pencegahan awal persalianan premature. Dengan memanfaatkan algoritma klasfikasi C4.5 dan algoritma naïve bayes yang dianggap baik secara kinerja. Untuk memilih algoritma terbaik dalam klasifikasi persalinan prematur maka harus diukur dengan baik kinerjanya. Dari hasil pebandingan algoritma naïve bayes dengan algoritma C4.5 didapatkan akurasi sebesar 98.75% dengan AUC 0.5. Sedangkan capaian dari algoritma naïve bayes sebesar 81.88% dan AUC 0.945. Maka dari hasil perbandingan nilai akurasi kedua algoritma tersebut disimpulkan bahwa algoritma C4.5 mampu lebih unggul dalam penanganan data persalianan premature dibandingakan dengan algortima naïve bayes.
References
Carolin Bunga Tiara, W. I. (2019). Faktor-Faktor Yang Berhubungan Dengan Kejadian Persalinan Preterm Di Rumah Sakit Muhammadiyah Taman Puring Kebayoran Baru Jakarta Selatan Periode Januari-Juni Tahun 2017. Jurnal Ilmu Keperawatan Dan Kebidanan Nasional, 1(1), 12.
Carolina, I., & Kresna, R. (2018). Klasifikasi kelahiran prematur menggunakan algoritma c4.5. Seminar Nasional Teknologi, 668–672.
Chawanpaiboon, S., Vogel, J. P., Moller, A. B., Lumbiganon, P., Petzold, M., Hogan, D., Landoulsi, S., Jampathong, N., Kongwattanakul, K., Laopaiboon, M., Lewis, C., Rattanakanokchai, S., Teng, D. N., Thinkhamrop, J., Watananirun, K., Zhang, J., Zhou, W., & Gülmezoglu, A. M. (2019). Global, regional, and national estimates of levels of preterm birth in 2014: a systematic review and modelling analysis. The Lancet Global Health, 7(1), e37–e46. https://doi.org/10.1016/S2214-109X(18)30451-0
Hairul Umam, M., Wahanggara, V., Cahyanto, T. A., & Muharom, L. A. (2017). Analisis Perbandingan Algoritma C4.5 Dan Algoritma Naïve Bayes Untuk Prediksi Kelulusan Mahasiswa (Studi Kasus?: Prodi Teknik Informatika Universitas Muhammadiyah Jember). Jurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember, 1310651100, 1–9.
Ida Rahmawati, Mutiara, V. siska, Absari, N., & Andini, P. (2021). Faktor-Faktor Yang Berhubungan dengan Persalinan Prematur. Professional Health Journal, 2(2), 112–121. https://doi.org/10.54832/phj.v2i2.143
Jefi. (2019). Prediksi Bayi Lahir Secara Prematur Dengan Menggunakan Metode C . 45 Berbasis Particle Swarm Optimization Pada Klinik Umi. Indonesian Journal on Networking and Security, 8(2), 1–7.
Loviana, N., Darsini, N., & Aditiawarman, A. (2019). Faktor Yang Berhubungan Dengan Kejadian Persalinan Prematur Di Rsud Dr Soetomo. Indonesian Midwifery and Health Sciences Journal, 3(1), 85–97. https://doi.org/10.20473/imhsj.v3i1.2019.85-97
Mustika, E., & Fika Minata. (2021). Analisis Hubungan Faktor Maternal Dan Penyakit Kronik Pada Persalinan Prematur. Jurnal Kesehatan Dan Pembangunan, 11(21), 19–27. https://doi.org/10.52047/jkp.v11i21.94
Panada Sedianing Drastita, Hardianto, G., Fitriana, F., & Utomo, M. T. (2022). Faktor Risiko Terjadinya Persalinan Prematur. Oksitosin?: Jurnal Ilmiah Kebidanan, 9(1), 40–50. https://doi.org/10.35316/oksitosin.v9i1.1531
Puspita, A. (2018). Prediksi Kelahiran Bayi Secara Prematur Dengan Menggunakan Algoritma C . 45. Jurnal Teknik Informatika Stmik Antar Bangsa, II(1), 11–16.
Rani, H. A. D. (2021). Optimasi Particle Swarm Optimization Pada Naïve Bayes Untuk Prediksi Kondisi Kelahiran Bayi. Jurnal Dialektika Informatika (Detika), 2(1), 28–33. https://doi.org/10.24176/detika.v2i1.6964
Syamsul, B., Dwi, M., & Rahmi, H. (2018). Perbandingan Algoritma Naive Bayes dan C4.5 Untuk Klasifikasi Penyakit Anak. Seminar Nasional Aplikasi Teknologi Informasi (SNATi), B24–B31.
Tyas, S. J. S., Febianah, M., Solikhah, F., Kamil, A. L., & Arifin, W. A. (2021). Analisis Perbandingan Algoritma Naive Bayes Dan C.45 Dalam Klasifikasi Data Mining Untuk Memprediksi Kelulusan. Jurnal Teknologi Informasi Dan Komunikasi, 8(1), 86–99.
Xu, Z., Shen, D., Nie, T., Kou, Y., Yin, N., & Han, X. (2021). A cluster-based oversampling algorithm combining SMOTE and k-means for imbalanced medical data. Information Sciences, 572, 574–589. https://doi.org/10.1016/j.ins.2021.02.056

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.