PENGGUNAAN ANALYSIS OF VARIANCE PADA ALGORITMA NAÏVE BAYES DALAM PREDIKSI PENYAKIT HEPATITIS

Erras Lindiarda Mahentar, Yulison Herry Chrisnanto, Asep Id Hadiana

Abstract


Hepatitis merupakan penyakit serius yang memerlukan prediksi dini untuk mencegah komplikasi. Algoritma Naïve Bayes banyak digunakan dalam prediksi penyakit karena efisiensinya dalam menangani dataset yang besar dan sederhana. Namun, tantangan seperti ketidakseimbangan kelas, data yang tidak relevan, dan noise dalam dataset dapat mengurangi kinerja prediksi. Studi ini mengusulkan integrasi Analisis Varians (ANOVA) dengan Naïve Bayes untuk meningkatkan akurasi prediksi. ANOVA diterapkan sebagai metode pemilihan fitur berbasis filter untuk mengidentifikasi fitur yang paling signifikan, sehingga mengurangi efek noise dan fitur yang tidak relevan. Dataset yang digunakan dalam studi ini bersumber dari Repositori UCI, dengan validasi yang dilakukan menggunakan validasi silang 10 kali lipat. Hasilnya menunjukkan bahwa integrasi ANOVA meningkatkan akurasi prediksi Naïve Bayes dari 83,71% menjadi 85% sekaligus mengurangi jumlah fitur dari 19 menjadi lebih sedikit tanpa mengorbankan akurasi dan menghindari overfitting. Perangkat lunak yang dikembangkan dalam studi ini mendukung visualisasi dan prediksi data, yang selanjutnya memperkuat implementasi praktisnya. Penelitian ini berkontribusi pada optimalisasi prediksi penyakit hepatitis melalui pendekatan ANOVA. Penelitian selanjutnya disarankan untuk membandingkan metode ini dengan algoritma lain, seperti Decision Tree atau Support Vector Machine, dan mengujinya pada kumpulan data yang lebih besar dan lebih kompleks.

Keywords


Anova, naïve bayes, Hepatitis

Full Text:

PDF

References


R. Dunn, A. Wetten, S. Mcpherson, and M. C. Donnelly, “tackle them,” vol. 28, no. 1, pp. 76–95, 2022, doi: 10.3748/wjg.v28.i1.76.

R. Venkatesh, C. Balasubramanian, and M. Kaliappan, “Development of Big Data Predictive Analytics Model for Disease Prediction using Machine learning Technique,” 2019.

L. Zhang, J. Wang, R. Chang, and W. Wang, “Investigation of the effectiveness of a classification method based on improved DAE feature extraction for hepatitis C prediction,” Sci. Rep., no. 1, pp. 1–12, 2024, doi: 10.1038/s41598-024-59785-y.

V. Jansari and R. Pears, “A Positive-Confidence based approach to Classifying Imbalanced data : A Case Study on Hepatitis,” pp. 457–461, 2020, doi: 10.34297/AJBSR.2020.08.001319.Received.

P. C. Austin, I. R. White, D. S. Lee, and S. Van Buuren, “Missing Data in Clinical Research : A Tutorial on Multiple Imputation,” Can. J. Cardiol., no. May, pp. 1–10, 2021, doi: 10.1016/j.cjca.2020.11.010.

B. M. Bai, N. Mangathayaru, and B. P. Rani, “An Approach to Find Missing Values in Medical Datasets,” 2015.

S. Truzman, G. Revach, N. Shlezinger, and I. Klein, “Outlier-Insensitive Kalman Filtering : Theory and Applica-tions”.

K. Gohari, A. Kazemnejad, M. Mohammadi, F. Eskandari, and S. Saberi, “A Bayesian latent class extension of na-ive Bayesian classifier and its application to the classification of gastric cancer patients,” BMC Med. Res. Method-ol., pp. 1–15, 2023, doi: 10.1186/s12874-023-02013-4.

P. Changpetch, A. Pitpeng, S. Hiriote, and C. Yuangyai, “Integrating Data Mining Techniques for Naïve Bayes Clas-sification : Applications to Medical Datasets,” pp. 1–14, 2021.

E. V. Study, “Clinical Validity of a Machine Learning Decision Support System for Early Detection of Hepatitis B Virus : A Binational External Validation Study,” 2023.

M. Sayadi, V. Varadarajan, and E. Gozali, “Frontiers in Health Informatics Effective factors in diagnosing the de-gree of hepatitis C using machine learning,” 2023.

H. Kumar, T. Sushruta, M. Pradeep, K. Mallick, and A. Ranjan, Technical Advancements of Machine Learning in Healthcare.

U. Moorthy and U. Devi, “A novel optimal feature selection technique for medical data classification using ANOVA based whale optimization Filter feature selector,” J. Ambient Intell. Humaniz. Comput., no. 0123456789, 2020, doi: 10.1007/s12652-020-02592-w.

“No Title,” vol. 7, pp. 254–263, 2022.

N. Singh and P. Singh, “Chemometrics and Intelligent Laboratory Systems A hybrid ensemble- fi lter wrapper fea-ture selection approach for medical data classi fi cation,” Chemom. Intell. Lab. Syst., vol. 217, no. July, p. 104396, 2021, doi: 10.1016/j.chemolab.2021.104396.

S. Fathmah, D. Kartini, F. Abadi, I. Budiman, and M. I. Mazdadi, “Implementation of PPCA Imputation , SMOTE-N Class Balancing in Hepatitis Classification Using Naïve Bayes,” vol. 12, no. 2, pp. 169–176, 2024.

L. Parisi and N. Ravichandran, “Knowledge-Based Systems Evolutionary feature transformation to improve prog-nostic prediction of hepatitis,” Knowledge-Based Syst., vol. 200, p. 106012, 2020, doi: 10.1016/j.knosys.2020.106012.

M. Watanabe et al., “Metabolomic markers and physiological adaptations for high phosphate utilization efficiency in rice,” no. April, pp. 2066–2079, 2020, doi: 10.1111/pce.13777.

H. S. Sadiq and A. M. Abdulazeez, “Indonesian Journal of Computer Science,” vol. 13, no. 1, pp. 4122–4140, 2024.




DOI: https://doi.org/10.29100/jipi.v11i1.7717

Refbacks



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

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
Universitas Bhinneka PGRI

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com

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