Prediksi Penyakit Liver Menggunakan Algoritma Naive Bayes
Main Article Content
Abstract
Penyakit liver merupakan salah satu masalah kesehatan yang sulit dideteksi pada tahap awal karena gejalanya tidak spesifik. Penelitian ini bertujuan menerapkan algoritma Naïve Bayes untuk memprediksi penyakit liver, mengevaluasi kinerja model, serta mengidentifikasi atribut yang paling berpengaruh. Dataset diperoleh dari Kaggle dengan jumlah 1.700 data pasien dan 11 atribut. Analisis dilakukan menggunakan RapidMiner melalui tahap preprocessing, seleksi fitur menggunakan Weight by Information, pembagian data dengan rasio 40:60, 70:30, 80:20, dan 90:10, pembentukan model Naïve Bayes, serta evaluasi menggunakan Accuracy, Precision, Recall, F1-Score, dan Area Under Curve (AUC). Rasio 90:10 menghasilkan performa terbaik dengan Accuracy 82,35%, Precision 84,78%, Recall 82,98%, F1-Score 83,87%, dan AUC 0,895. Atribut Liver Function Test menjadi atribut paling berpengaruh, diikuti Alcohol Consumption dan Smoking. Hasil penelitian menunjukkan bahwa Naïve Bayes mampu memberikan performa yang baik dalam memprediksi penyakit liver pada dataset yang digunakan.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Aldana, S., & Wibowo, J. S. (2024). Penerapan data mining terhadap klasifikasi pasien penderita penyakit liver menggunakan metode K-Nearest Neighbor. Progresif: Jurnal Ilmiah Komputer, 20(1), 124–132.
Damayanti, A., & Testiana, G. (2023). Penerapan data mining untuk prediksi penyakit Hepatitis C menggunakan algoritma Naive Bayes. Jurnal Manajemen Informatika Jayakarta, 3, 177–186.
Ginting, L. B., Lestari, R. A., Ginting, F. A., Hosada, D., & Harapan, K. (2022). Melaksanakan pelatihan tentang perawatan pasien penyakit hepatitis (liver) di Desa Paluh Sibaji. Jurnal Mitra Keperawatan dan Kebidanan Prima, 4(1), 39–43.
Hakim, L., Sobri, A., Sunardi, L., & Nurdiansyah, D. (2025). Prediksi penyakit jantung berbasis mesin learning dengan menggunakan metode K-NN. Jurnal Digital Teknologi Informasi, 7(2), 14–20.
Ibrahim, T., Wahyudi, I., Pratama, V. J., Sumanto, Budiawan, I., & Pakpahan, R. (2025). Penerapan metode Logistic Regression untuk memprediksi potensi penyakit liver pada pasien. Jurnal Teknik Informatika dan Teknologi Informasi, 5(3), 11.
Insan, M. K., Hayati, U., & Nurdiawan, O. (2023). Analisis sentimen aplikasi Brimo pada ulasan pengguna di Google Play menggunakan algoritma Naive Bayes. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), 478–483.
Permatasari, M., & Hardiani, T. (2025). Implementation of the K-Nearest Neighbor algorithm for low sodium food recommendations in hypertension patients. Jurnal Sistem Informasi dan Teknologi Informasi, 7(3), 867–879.
Rafi, R. R., Ramadhani, R. A., & Sanjaya, A. (2025). Pemanfaatan algoritma Cosine Similarity untuk mengkoreksi ujian esai. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 10(3), 2242–2254.
Riany, A. F., & Testiana, G. (2023). Penerapan data mining untuk klasifikasi penyakit stroke menggunakan algoritma Naïve Bayes. Jurnal Saintekom: Sains, Teknologi, Komputer, dan Manajemen, 9(1), 42–54.
Setyawan, A., Fitriani, A., & Rilvani, E. (2025). Klasifikasi kemiskinan di Indonesia dengan Decision Tree menggunakan RapidMiner. Jurnal Media Akademik (JMA), 3(7), 1–12.
Sodikin, D. A., Is’ad, E. T., Prayoga, R., & Purwanto, A. N. I. (2024). Analisis metode Decision Tree dan Naive Bayes pada pasien penyakit liver. Prosiding Seminar Nasional Rekayasa, Sains dan Teknologi, 3(1), 12–18.
Sofyan, F. M. A., Voutama, A., & Umaidah, Y. (2023). Penerapan algoritma C4.5 untuk prediksi penyakit paru-paru menggunakan RapidMiner. JATI (Jurnal Mahasiswa Teknik Informatika), 7(2), 1409–1415.
Tambunan, E., Limbeng, Y. B., & Sipayung, S. (2026). Implementasi algoritma K-Means dengan normalisasi Min-Max pada analisis data ketidakbersekolahan anak. JDMIS: Journal of Data Mining and Information Systems, 4(1), 26–32. https://doi.org/10.54259/jdmis.v4i1.7064
Witaradiani, A. A. A., Wibawa, I. G. A., & Santika, P. P. (2025). Klasifikasi genre buku berdasarkan sinopsis menggunakan Naïve Bayes dan Logistic Regression. JNATIA (Jurnal Nasional Teknologi Informasi dan Aplikasinya), 3(4), 835–844.
World Health Organization. (2025). Hepatitis. World Health Organization.