KLASIFIKASI NAIVE BAYES UNTUK DATA KESEHATAN

Khairudin

KLASIFIKASI NAIVE BAYES UNTUK DATA KESEHATAN

Penulis

Khairudin, S.Kom, M.Kom

Universitas Pamulang (Unpam),

Kata Kunci:

Naive Bayes, Kesehatan

Sinopsis

Buku ini menyajikan pendekatan ilmiah dan praktis dalam pemanfaatan algoritma Naive Bayes untuk klasifikasi data kesehatan, khususnya dalam mendeteksi risiko diabetes gestasional pada ibu hamil. Disusun secara sistematis dan berbasis studi kasus nyata, buku ini ditujukan bagi mahasiswa, peneliti, praktisi teknologi kesehatan, dan tenaga medis yang ingin memahami penerapan kecerdasan buatan dalam konteks klinis.

Dimulai dengan pengenalan tentang diabetes gestasional sebagai salah satu masalah kesehatan maternal yang signifikan, buku ini membahas pentingnya deteksi dini dan tantangan yang dihadapi dalam lingkungan medis modern. Bab-bab selanjutnya mengupas teori dasar algoritma Naive Bayes, asumsi dasar, cara kerja, serta kelebihan dan keterbatasannya dalam analisis data medis.

Melalui studi kasus berbasis Python dan RapidMiner, pembaca diajak untuk memahami proses klasifikasi mulai dari preprocessing data, pelatihan model, evaluasi performa, hingga penerapannya dalam sistem pendukung keputusan klinis (Clinical Decision Support System). Contoh kasus nyata dan visualisasi data memperkuat pemahaman tentang bagaimana sistem ini bekerja dalam praktik.

Buku ini tidak hanya menyuguhkan sisi teknis, tetapi juga membahas potensi integrasi model ke dalam layanan kesehatan, interpretasi hasil oleh tenaga medis, serta rekomendasi peningkatan layanan berbasis data. Disertai pula pembahasan keterbatasan dan arah pengembangan model di masa depan, buku ini menjadi sumber referensi yang kokoh untuk riset lanjutan maupun implementasi langsung dalam skala klinis.

Bab

KATA PENGANTAR
DAFTAR ISI
BAB 01 PENDAHULUAN
BAB 02 APA ITU DIABETES
BAB 03 CARA MENGURANGI RISIKO DIABETES
BAB 04 APA ITU NAIVE BAYES
BAB 05 STUDI KASUS
BAB 06 ANALISIS HASIL DAN PEMBAHASAN
BAB 07 PENERAPAN MODEL DALAM KONTEKS KLINIS
BAB 08 LIMITASI PENELITIAN DAN ARAH PENGEMBANGAN
DAFTAR PUSTAKA
PROFIL PENULIS

Downloads

Download data is not yet available.

Biografi Penulis

Khairudin, S.Kom, M.Kom, Universitas Pamulang (Unpam),

Khairudin, S.Kom, M.Kom, adalah seorang dosen dan peneliti di Universitas Pamulang (Unpam), khususnya di Program Studi Teknik Informatika. Beliau lahir di Purbalingga dan saat ini berdomisili di Tangerang Selatan, Banten.

Beliau meraih gelar Sarjana Komputer (S.Kom) dari Universitas Pamulang pada tahun 2013 dan gelar Magister Komputer (M.Kom) dari STMIK Eresha pada tahun 2018.

Sejak tahun 2020, Khairudin aktif mengajar di Fakultas Teknik Informatika Unpam.

Selain itu, Khairdin telah berkontribusi dalam kegiatan pengabdian masyarakat, seperti Integrasi Media Sosial Untuk Pembelajaran Anak-anak Yatim Piatu Rumah Calistung Darul Hidayah Jalan Curug Gang lestari Kec.Bojongsari Kota Depok Jawa Barat.

Referensi

American Diabetes Association, “2016 American Diabetes Association (ADA) Diabetes Guidelines Summary Recommendation from NDEI,” Natl. Diabetes Educ. Initiat., 2016.

American Diabetes Association. (2022). Standards of medical care in diabetes—2022. Diabetes Care, 45(Supplement_1), S1–S264. https://doi.org/10.2337/dc22-S001

D. T. Larose, Data Mining Methods and Models. 2006.

Darmi, Y., & Setiarina, A. (2020). Prediksi penyakit diabetes menggunakan algoritma Naive Bayes dengan feature selection Information Gain. Jurnal Informatika dan Rekayasa Perangkat Lunak, 2(1), 78-86.

Delvika, B., Nurhidayarnis, S., Rinada, P. D., Abror, N., & Hidayat, A. (2022). Comparison of classification between Naive Bayes and K-Nearest Neighbor on diabetes risk in pregnant women perbandingan klasifikasi antara Naive Bayes dan K-Nearest Neighbor terhadap resiko diabetes pada ibu hamil. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 2(1), 68-75. Retrieved from https://journal.irpi. or.id/index.php/malcom/issue/view/17

Dey, N., Ashour, A. S., & Balas, V. E. (Eds.). (2018). Smart medical data sensing and IoT systems design in healthcare. Springer.

Dinh, A., Miertschin, S., Young, A., & Mohanty, S. D. (2019). A data-driven approach to predict diabetes and cardiovascular disease with machine learning. BMC Medical Informatics and Decision Making, 19(1), 211.

Friedman, N., Geiger, D., & Goldszmidt, M. (1997). Bayesian network classifiers. Machine Learning, 29(2–3), 131–163.

Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Elsevier.

Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Wiley.

Kaggle. (n.d.). Retrieved from https://www.kaggle.com

Khan, S. S., & Hoque, A. S. M. (2021). A novel approach for diabetes prediction using machine learning with feature selection technique. Informatics in Medicine Unlocked, 23, 100540. https://doi.org/10.1016/j.imu.2021.100540

Kuhn, M., & Johnson, K. (2013). Applied predictive modeling. Springer.

Lee, C. H., Yoon, H. J. (2017). Medical big data: promise and challenges. Kidney Research and Clinical Practice, 36(1), 3–11.

Mitchell, T. M. (1997). Machine learning. McGraw-Hill.

Mubarok, A., & Nugroho, S. (2019). Komparasi kinerja algoritma C4.5 dan Naive Bayes untuk prediksi penyakit diabetes. Jurnal Ilmiah Teknologi Informasi Terapan, 5(2), 23-31.

Ng, A. Y. (2004). Feature selection, L1 vs. L2 regularization, and rotational invariance. Proceedings of the twenty-first international conference on Machine learning (p. 78).

Perwira, R. I., & Trifiana, A. (2019). Implementasi algoritma Naive Bayes untuk prediksi penyakit diabetes. Jurnal Teknologi Informasi dan Komunikasi, 10(2), 95-103.

Pima Indian Diabetes Database. (n.d.). UCI Machine Learning Repository. https://archive.ics.uci.edu/ml/datasets/pima+ indians+diabetes

Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347–1358.

S. Kusumadewi, “Klasifikasi Status Gizi Menggunakan Naive Bayesian Classification,” CommIT (Communication Inf. Technol. J., 2009, doi: 10.21512/commit.v3i1.506.

Sivapalan, T., & Kalaiarasi, R. (2020). Comparative analysis of Naïve Bayes classifier with other classification algorithms for predicting gestational diabetes. Materials Today: Proceedings, 33, 4517–4523. https://doi.org/10.1016/j.matpr.2020.01.197

Sulastri, & Rizki, M. (2021). Penerapan metode Naive Bayes untuk diagnosa penyakit diabetes mellitus. Jurnal Teknik Informatika dan Sistem Informasi, 7(3), 512-521.

Syafii, M., & Wijaya, D. R. (2018). Klasifikasi penyakit diabetes mellitus menggunakan Naive Bayes dengan optimasi parameter menggunakan algoritma genetika. Jurnal Teknologi Informasi dan Ilmu Komputer, 5(4), 427-434.

Tan, P. N., Steinbach, M., & Kumar, V. (2019). Introduction to data mining (2nd ed.). Pearson.

Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56.

Universitas Pamulang Repository. (n.d.). Retrieved from http:// repository.unpam.ac.id/id/eprint/12843

Universitas Pamulang Repository. (n.d.). Retrieved from https:// repository.unpam.ac.id/11847/

WDH Open Journal. (n.d.). Retrieved from https:// openjournal.wdh.ac.id/index.php/JAM/article/view/134

World Health Organization, “Global Report on Diabetes,” Isbn, 2016, doi: ISBN 978 92 4 156525 7.

Yolanda, V., Cholissodin, I., & Adikara, P. P. (2021). Klasifikasi diagnosis penyakit diabetes gestasional pada ibu hamil menggunakan algoritme Neighbor Weighted K-Nearest Neighbor (NWKNN). Retrieved from http://jptiik.ub.ac.id

Zhou, Z. H. (2021). Machine learning. Springer.

Choudhury, A., Asan, O. (2020). Role of artificial intelligence in patient safety outcomes: Systematic literature review. JMIR Medical Informatics, 8(7), e18599.

Hossain, M. S., & Muhammad, G. (2016). Cloud-assisted industrial internet of things (IIoT)–enabled framework for health monitoring. Computer Networks, 101, 192–202.

Fernández, A., García, S., Galar, M., Prati, R. C., Krawczyk, B., & Herrera, F. (2018). Learning from imbalanced data sets. Springer