Deteksi awal penyakit gagal jantung berdasakan faktor risiko menggunakan metode Naive Bayes

ABSTRAK:

Pemahaman masyarakat Indonesia mengenai penyakit jantung dalam tingkatan pemahaman yang rendah, hal ini menjadi penyebab angka kematian akibat penyakit jantung menjadi tinggi. Keadaan tersebut membuat masyarakat susah untuk mengidentifikasi gejala penyakit jantung, hal tersebut menyebabkan masyarakat terlambat untuk menerima penindakan untuk penyakit jantung. Penelitian sebagai deteksi dini untuk penyakit gagal jantung berdasarkan factor risiko yang mempengaruhi dari penyakit ini yang di implementasikan dengan metode dari bagian data mining yaitu naïve bayes, dari penerapan metode ini menghasilkan nilai ketepatan dalam prediksi data menggunakan bahasa pemrograman python. Data yang digunakan diperoleh melalui situs Kaggle, dengan data yang berisikan data pasien laki-laki yang di zona beresiko tinggi penyakit gagal jantung yaitu di salah satu provinsi Afrika Selatan yakni Western Cape. Data dengan 462 pasien yang berisiko gagal jantung, dengan 10 atribut sebagai tolak ukur dari penelitian ini. Data diproses dari tahapan mengubah tipe data kategori menjadi numerik, data scaling, dan pemisahan data dengan 4 model rasio perbandingan data latih dan data uji dengan model A rasio 90:10, model B rasio 80:20, model C rasio 75:25, dan model D rasio 70:30 untuk pemisahan data latih dan data uji. Dari 4 model rasio tersebut, rasio yang menghasilkan nilai ketepatan prediksi data yang terbaik didapatkan dari model B dengan rasio 80:20 menghasilkan nilai 75.26% yang dikategorikan cukup. Serta, penerapan teknik validasi silang k-fold cross validation dengan nilai k sama dengan 10. Sedangkan, hasil nilai akurasi dari proses 10-fold cross validation dengan penentapan nilai k 10 yang berarti sebanyak 10 kali proses iterasi. Dari proses iterasi kesepuluh kali menghasilkan nilai ketepatan prediksi data yang optimal dihasilkan dari nilai k 9 dengan nilai sebesar 84,37%.

ABSTRACT:

The understanding of Indonesian people about heart disease is a low level of experience, this is the cause of the high mortality rate from heart disease. This situation makes it difficult for people to identify the symptoms of heart disease, and it causes people to be late to receive an action for heart disease. Research as early detection of heart failure based on risk factors that influence this disease is implemented using the method from the data mining section, namely nave Bayes, from the application of this method produces an accuracy value in predicting data using python. The data used was obtained through the Kaggle website, with data containing data on male patients who are in a high-risk zone for heart failure, namely in one of the provinces of South Africa, namely the Western Cape. Data with 462 patients at risk of heart failure, with 10 attributes as a benchmark of this study. The data is processed from the stages of changing the category data type to numeric, data scaling, and data separation with 4 ratio models for comparison of training data and test data with model A ratio of 90:10, model B ratio of 80:20, model C ratio of 75:25, and model D ratio 70:30 for the separation of training data and test data. Of the 4 ratio models, the ratio that produces the best data prediction accuracy value is obtained from model B with a ratio of 80:20 producing a value of 75.26% which is categorized as sufficient. Also, the application of the cross-validation technique k-fold cross-validation with a value of k equal to 10. Meanwhile, the results of the accuracy value of the 10-fold cross-validation value k of 10, which means 10 iterations of the process. From the tenth iteration process, the optimal data prediction accuracy value is generated from the k 9 with a value of 84.37%.

ادللخص:

إن فهم الشعب الإندونيسي لأمراض القلب في مستوى منخفض من الفهم ، وهذا هو سبب ارتفاع معدل الوفيات من أمراض القلب. هذه الحالة تجعل من الصعب على الناس التعرف على أعراض أمراض القلب ، فهي تجعل الناس يتأخرون في تلقي العلاج لأمراض القلب. يتم تنفيذ البحث ككشف مبكر عن قصور القلب استنادًا إلى عوامل الخطر التي تؤثر على هذا المرض باستخدام طريقة من قسم التنقيب عن البيانات ، أي nave Bayes، من تطبيق هذه الطريقة ينتج عنه قيمة دقة في التنبؤ بالبيانات باستخدام Python. تم الحصول على البيانات المستخدمة من خلال موقع Kaggle الإلكتروني ، مع بيانات تحتوي على بيانات عن المرضى الذكور الذين هم في منطقة عالية الخطورة للإصابة بفشل القلب ، وبالتحديد في إحدى مقاطعات جنوب إفريقيا ، وهي مقاطعة ويسترن كيب. بيانات مع 462 مريضاً معرضين لخطر الإصابة بقصور القلب ، مع 10 سمات كمعيار لهذه الدراسة. تتم معالجة البيانات من مراحل تغيير نوع بيانات الفئة إلى رقمية ، وقياس البيانات ، وفصل البيانات مع 4 نماذج نسبة لمقارنة بيانات التدريب وبيانات الاختبار مع النموذج A بنسبة 90:10 ، ونسبة النموذج B 80:20 نموذج C بنسبة 75:25 ونموذج D بنسبة 70:30 لفصل بيانات التدريب وبيانات الاختبار. من بين نماذج النسبة الأربعة ، يتم الحصول على النسبة التي تنتج أفضل قيمة دقة للتنبؤ بالبيانات من النموذج B بنسبة 80:20 تنتج قيمة 75.26٪ مصنفة على أنها كافية. أيضًا ، تطبيق تقنية التحقق المتقاطع k-fold cross validation بقيمة k تساوي 10. وفي الوقت نفسه ، يتم تحديد نتائج دقة صحة التقاطع 10 أضعاف قيمة k لـ 10 ، والتي يعني 10 تكرارات للعملية. من عملية التكرار العاشرة ، يتم إنشاء القيمة المثلى لدقة التنبؤ بالبيانات من k 9 بقيمة 84.37٪.