Mixed distribution pada naive bayes untuk deteksi penyakit stroke

INDONESIA:

Mixed Distribution pada Naive Bayes merupakan pendekatan yang mengintegrasikan dua jenis distribusi probabilitas, yaitu distribusi numerik (kontinu) dan distribusi kategori (diskrit), dalam algoritma Naive Bayes. Metode ini berhasil mengatasi keterbatasan model klasifikasi konvensional dengan mampu mengakomodasi variasi distribusi data dari berbagai variabel prediktor. Pada penelitian ini dilakukan dengan mengumpulkan dataset klinis yang mencakup berbagai variabel risiko stroke, seperti Gender, Age, Hypertension, Heart Disease, Ever Married, Work Type, Residence Type, Avg Glucose Level, BMI Smoking Status, Stroke. Hasil penelitian menunjukkan bahwa model Naive Bayes dengan Mixed Distribution memberikan akurasi deteksi stroke yang lebih tinggi dibandingkan dengan metode klasifikasi tunggal dengan hasil accuracy 76,45%, precesion 71,42%, recall 87,42%, dan F1-Score 78,61%.

ENGLISH:

Mixed Distribution in Naive Bayes is an approach that integrates two types of probability distributions, namely numerical distribution (continuous) and categorical distribution (discrete), in the Naive Bayes algorithm. This method successfully overcomes the limitations of conventional classification models by being able to accommodate variations in data distribution from various predictor variables. This study was conducted by collecting clinical datasets that include various stroke risk variables, such as Gender, Age, Hypertension, Heart Disease, Ever Married, Work Type, Residence Type, Avg Glucose Level, BMI Smoking Status, Stroke. The results show that the Naive Bayes model with Mixed Distribution provides higher stroke detection accuracy compared to a single classification method with the results of 76.45% accuracy, 71.42% precesion, 87.42% recall, and 78.61% F1-Score.

ARABIC:

التوزيع المختلط في بايز الساذج هو نهج يدمج نوعين من التوزيعات الاحتمالية، وهما التوزيع العددي (المستمر) والتوزيع الفئوي (المنفصل)، في خوارزمية بايز الساذج. تتغلب هذه الطريقة بنجاح على قيود نماذج التصنيف التقليدية من خلال قدرتها على استيعاب الاختلافات في توزيع البيانات من مختلف المتغيرات المتنبئة. أُجريت هذه الدراسة من خلال جمع مجموعات بيانات سريرية تتضمن متغيرات مخاطر السكتة الدماغية المختلفة، مثل الجنس، والعمر، وارتفاع ضغط الدم، وأمراض القلب، والزواج من قبل، ونوع العمل، ونوع الإقامة، ومستوى الجلوكوز المتوسط، ومؤشر كتلة الجسم، وحالة التدخين، والسكتة الدماغية. أظهرت النتائج أن نموذج باييز الساذج مع التوزيع المختلط يوفر دقة أعلى في اك تشاف السكتة الدماغية مقارنة بطريقة التصنيف الأحادية حيث بلغت نسبة الدقة %76.45، والتوقع %71.42، والتذكر %87.42، ودرجة F1- Score 78.61%.