DATA MINING UNTUK CLASSIFICATION DALAM MENDETEKSI KERUSAKAN ELEKTROKARDIOGRAM MENGGUNAKAN NAIVE BAYES

Chronika Putriani Sihombing
Heri Nurdiyanto


DOI: https://doi.org/10.29100/jipi.v8i3.3894

Abstract


Dalam dunia kesehatan EKG merupakan salah satu pemeriksaaan yang penting.  Elektrokardiogram (EKG) adalah pemeriksaan untuk mengukur dan merekam aktivitas listrik jantung. EKG umumnya dilakukan untuk memeriksa kondisi jantung dan menilai efektivitas pengobatan penyakit jantung. Dalam penggunaannya, EKG bisa mengalami berbagai kerusakan. Kerusakan alat tersebut bisa dideteksi dari berbagai gejala yang timbul. Penelitian ini bertujuan untuk mendeteksi kerusakan alat paling mendekati dari perhitungan berbagai gejala yang muncul. Teknik yang digunakan untuk mendeteksi kerusakan yaitu menggunakan data mining dan metode yang digunakan adalah klasifikasi. Klasifikasi dapat dengan mudah menghitung kemungkinan keluaran berikutnya. Beberapa algoritma dapat digunakan dalam data mining, pada penelitian ini   algoritma yang digunakan yaitu algoritma Naïve Bayes. Algoritma ini didasarkan pada teorema Bayes.  Data yang digunakan yaitu data kerusakan yang muncul pada EKG dan berbagai gejala yang ditimbulkan dari kerusakan tersebut. Pada penelitian ini kasus yang diambil adalah kerusakan yang menimbulkan dua gejala yakni indikator error menyala dan sistem error. Hasil didapatkan dengan melakukan perhitungan secara manual melalui beberapa tahapan dengan hasil akhir presentase tertinggi yaitu 50%.

Keywords


classification; data mining; elektrokardiogram; naïve bayes

Full Text:

PDF

Article Metrics :

References


Astuti, L. W., Saluza, I., Faradilla, F., & Alie, M. F. (2021). Optimalisasi Klasifikasi Kanker Payudara Menggunakan Forward Selection pada Naive Bayes. Jurnal Informatika Global, 11(2).

Cahya, R. A., Dewi, C., & Rahayudi, B. (2018). Klasifikasi Aritmia Dari Hasil Elektrokardiogram Menggunakan Support Vector Machine Dengan Seleksi Fitur Menggunakan Algoritma Genetika. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer E-ISSN, 2548, 964X.

Chamidah, N., Santoni, M. M., & Matondang, N. (2020). The Effect of Oversampling on the Classification of Hypertension with the Naïve Bayes Algorithm, Decision Tree, and Artificial Neural Network (ANN). Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(4), 635–641.

Handayani, F. (n.d.). Komparasi Support Vector Machine, Logistic Regression Dan Artificial Neural Network Dalam Prediksi Penyakit Jan-tung. JEPIN (Jurnal Edukasi Dan Penelitian Informatika), 7(3), 329–334.

Kurnia, J. S. (2021). PERHITUNGAN ANALISIS SENTIMEN BERBASIS KOMPARASI ALGORITMA NAIVE BAYES DAN K-NEAREST NEIGHBOUR BERBASIS PARTICLE SWARM OPTIMIZATION PADA KOMENTAR INSIDEN PEMBALAP MOTOGP 2015. JSI (Jurnal Sistem In-formasi) Universitas Suryadarma, 6(2), 47–60.

Larassati, D., Zaidiah, A., & Afrizal, S. (2022). Sistem Prediksi Penyakit Jantung Koroner Menggunakan Metode Naive Bayes. JIPI (Jurnal Ilmi-ah Penelitian Dan Pembelajaran Informatika), 7(2), 533–546.

Maulana, D., & Jondri, J. (2019). Deteksi Gangguan Jantung Premature Ventricular Contractions Menggunakan Sinyal Elektrokardiogram Dengan Algoritma Backpropagation Dan Algoritma Firefly. EProceedings of Engineering, 6(2).

Muharrom, M., & MANDIRI, N. (2019). KOMPARASI ALGORITMA KLASIFIKASI NAIVE BAYES DAN K-NEAREST NEIGHBORS UNTUK PREDIKSI PENYAKIT JANTUNG. Syntax: Jurnal Informatika, 8(1), 44–56.

Munandar, T. A., & Munir, A. Q. (2022). Implementasi K-Nearest Neighbor Untuk Prototype Sistem Pakar Identifikasi Dini Penyakit Jantung. Respati, 17(2), 44–50.

Putri, R. W., Ristyawan, A., & Muzaki, M. N. (2022). Comparison Performance of K-NN and NBC Algorithm for Classification of Heart Disease. JTECS: Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem Dan Komputer, 2(2), 143–154.

Riani, A., Susianto, Y., & Rahman, N. (2019). Implementasi Data Mining Untuk Memprediksi Penyakit Jantung Mengunakan Metode Naive Bayes. Journal of Innovation Information Technology and Application (JINITA), 1(01), 25–34.

Zubair, A., & Muksin, M. (2018). Penerapan metode naive bayes untuk klasifikasi status gizi (studi kasus di klinik bromo malang). Seminar Nasional Sistem Informasi (SENASIF), 2, 1204–1208.