PERBANDINGAN TINGKAT AKURASI METODE GAUSSIAN NAIVE BAYES DAN LEARNING VECTOR QUANTIZATION (LVQ) UNTUK KLASIFIKASI TANDA-TANDA VITAL PEROKOK

Ai Aas Siti Asiyah, Universitas Negeri Yogyakarta, Indonesia
Sri Andayani, Universitas Negeri Yogyakarta, Indonesia

Abstract


Abstrak

Tujuan penelitian ini untuk memperoleh gambaran hasil pemodelan klasifikasi tanda-tanda vital perokok menggunakan metode klasifikasi Gaussian Naive Bayes dan metode Learning Vector Quantization serta membandingkan kinerja kedua metode berdasarkan nilai akurasinya. Data yang digunakan pada penelitian ini adalah data tanda-tanda vital perokok yang diambil dari situs Kaggle.com dengan banyaknya data yaitu 1000. Data tersebut dilakukan tahap preprocessing untuk mendapatkan pemodelan terbaik kemudian data dibagi menjadi data training dan data testing dengan perbandingan 70:30, 75:25, 80:20, 85:15, 90:10, dan 95:5. Selain itu, digunakan nilai random state 0, 1, 30, dan 42. Pada metode Learning Vector Quantization digunakan nilai learning rate (α), pengurangan learning rate, dan maksimum epoh masing-masing sebesar 0,1; 0,5*α; dan 100. Setelah itu dilakukan pengklasifikasian menggunakan kedua metode kemudian dicari nilai akurasinya untuk dibandingkan. Hasil dari penelitian ini adalah pada kedua metode nilai akurasi terbaik diperoleh saat perbandingan data training dan data testing sebesar 90:10 dan nilai random state 42. Pada metode Gaussian Naïve Bayes diperoleh nilai akurasi sebesar 0,8 dan metode Learning Vector Quantization (LVQ) diperoleh nilai akurasi sebesar 0,809091. Hal tersebut menunjukkan bahwa kedua metode memiliki performa yang hampir sama.

Kata kunci: analisis perbandingan akurasi, tanda vital perokok, Gaussian Naïve Bayes, Learning Vector Quantization.


Full Text:

PDF

References


Amin, Z. A., Cholil, W., Herdiansyah, M. I., & Negara, E. S. (2021). Analisa Rekam Medis Elektronik untuk Menentukan Diagnosa Medis Dalam Kategori Bab ICD 10 Menggunakan Machine Learning. POSITIF: Jurnal Sistem dan Teknologi Informasi, 7(2), 127-132.

Fatoni, A. & Hermawan, F. A. (2020). Optimasi Aplikasi Antrian Pasien Online Menggunakan Algoritma Patient Treatment Time Prediction. Doctoral dissertation, Universitas 17 Agustus 1945 Surabaya.

Gagan. (31 Juli 2017). Pengertian Merokok dan Akibatnya. Dinas Kesehatan Provinsi Banten, Diambil pada tanggal 19 Maret 2023, dari https://dinkes.bantenprov.go.id/read/berita/488/PENGERTIAN-MEROKOK-DAN-AKIBATNYA.html

Halim, T. A. (2014). Penerapan Medical Check Up Berkala Sebagai Upaya Pendeteksi Dini Penyakit Akibat Kerja Di Pt. Antam (Persero) Tbk. Gold Mining Business Unit Bogor, Jawa Barat. Laporan Tugas Akhir, Fakultas Kedokteran Universitas Negeri Surakarta. https://digilib.uns.ac.id/dokumen/detail/37173

Hammado, N. (2015). Pengaruh rokok terhadap kesehatan dan pembentukan karakter manusia. Prosiding, 1(1), 77-84.

Hilyah, R. A., Lestari, F., & Mulqie, L. (2020). Analisis Kadar Karbon Monoksida (CO) pada Perokok dan Non-Perokok melalui Breath Test Menggunakan Smokerlyzer. Prosiding Farmasi, 6(2), 371-375.

Huang, G. B., Zhu, Q. Y., & Siew, C. K. (2006). Extreme Learning Machine: Theory and Applications. Neurocomputing, 70(1-3), 489-501.

Id, I. D. (2021). Machine Learning: Teori, Studi Kasus dan Implementasi Menggunakan Python (Vol. 1). Unri Press.

Irianti, M. T. (2016). Hubungan Antara Status Merokok Terhadap Obesitas Sentral pada Orang Dewasa Sehat Di Desa Kepuharjo Kecamatan Cangkringan Yogyakarta. Skripsi, Universitas Sanata Dharma.

Lakshmi, J. V. N., & Sheshasaayee, A. (2015, October). Machine Learning Approaches on Map Reduce for Big Data Analytics. In 2015 International Conference on Green Computing and Internet of Things (ICGCIoT) (pp. 480-484). IEEE.

Mahardhika, D. W., Cindyagita, Z. I., Akbar, M. T., & Sihaloho, E. D. (2020). Pengaruh Status Merokok Terhadap Kemampuan Kognitif Seseorang: Studi Kasus Indonesian Family Life Survey (IFLS). Jurnal Ekonomi dan Pembangunan, 28(2), 117-129.

Nadella, R. (2018). Perbandingan Pertumbuhan Bakteri Rongga Mulut Perokok dan Bukan Perokok di Lingkungan Fakultas Kedokteran Universitas Muhammadiyah Sumatera Utara. Skripsi, Universitas Muhammadiyah Sumatera Utara Medan. http://repository.umsu.ac.id/handle/123456789/261

Nugroho, P. A., Saptono, R., & Sulistyo, M. E. (2016). Perbandingan Metode Probabilistik Naive Bayesian Classifier dan Jaringan Syaraf Tiruan Learning Vector Quantization dalam Kasus Klasifikasi Penyakit Kandungan. ITSMART: Jurnal Teknologi dan Informasi, 2(2), 21-34.

Pamungkas, F. S., Prasetya, B. D., & Kharisudin, I. (2020, March). Perbandingan Metode Klasifikasi Supervised Learning pada Data Bank Customers Menggunakan Python. In PRISMA, Prosiding Seminar Nasional Matematika, Vol. 3, 692-697.

Purwono, P., Wirasto, A., & Nisa, K. (2021). Comparison of Machine Learning Algorithms for Classification of Drug Groups. SISFOTENIKA, 11(2), 196-207.

P2PTM Kemenkes RI. (22 Maret 2022). Webinar HTTS 2022 Seri 1: Rokok dan Pandemi COVID-19. Kementerian Kesehatan Republik Indonesia, Diambil pada tanggal 17 Maret 2023, dari https://p2ptm.kemkes.go.id/video-p2ptm/webinar-htts-2022-seri-1-rokok-dan-pandemi-covid-19

Rachmad, D. U. M., Oktavianto, H., & Rahman, M. (2022). Perbandingan Metode K-Nearest Neighbor dan Gaussian Naïve Bayes untuk Klasifikasi Penyakit Stroke. Jurnal Smart Teknologi, 3(4), 405-412.

Roihan, A., Sunarya, P. A., & Rafika, A. S. (2020). Pemanfaatan Machine Learning dalam Berbagai Bidang. Jurnal Khatulistiwa Informatika, 5(1), 76-82.

Simatupang, F. J., Wuryandari, T., & Suparti S. (2016). Klasifikasi Rumah Layak Huni di Kabupaten Brebes dengan Menggunakan Metode Learning Vector Quantization dan Naïve Bayes. Jurnal Gaussian, 5(1), 99-111.

Tan, Y., Shi, L., Tong, W., Hwang, G. G., & Wang, C. (2004). Multi-Class Tumor Classification by Discriminant Partial Least Squares Using Microarray Gene Expression Data and Assessment of Classification Models. Computational Biology and Chemistry, 28(3), 235-243.


Refbacks

  • There are currently no refbacks.


 

Online ISSN (e-ISSN): 3031-1152

Creative Commons LicenseJurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.