scholarly journals Implementasi Algoritma Naïve Bayes Berbasis Particle Swarm Optimization Untuk Memprediksi Penyakit Hepatitis

2021 ◽  
Vol 14 (1) ◽  
pp. 36
Author(s):  
Hilda Farida Husniah ◽  
Toni Arifin
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Hepatitis B ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Virus Hepatitis ◽  
Swarm Optimization

Penyakit Hepatitis merupakan penyakit peradangan pada sel-sel hati, yang disebabkan oleh infeksi (virus, bakteri, parasite), obat-obatan (termasuk obat tradisional), mengkonsumsi alkohol, lemak yang berlebihan dan penyakit autoimmune. Penyebab terjadinya Hepatitis adalah sering disebabkan oleh Virus Hepatitis B dan C. Prevalensi Hepatitis di Indonesia pada tahun 2013 sebesar 1,2% meningkat dua kali dibandingkan Riskesdas tahun 2007 yang sebesar 0,6%. Nusa Tenggara Timur merupakan provinsi dengan prevalensi Hepatitis tertinggi pada tahun 2013 yaitu sebesar 4,3%. Para peneliti berusaha membuat terobosan dengan membuat penelitian untuk klasifikasi prediksi pasien Hepatitis dengan teknik data mining. Naïve bayes merupakan metode yang digunakan untuk memprediksi probabilitas dimasa depan berdasarkan pengalaman dimasa lalu dan terbukti memiliki tingkat akurasi tinggi dan kecepatan yang tinggi dalan perhitungannya. Particle Swarm Optimization digunakan untuk meningkatkan akurasi dari metode. Penelitian ini bertujuan untuk mengetahui apakah metode Naïve Bayes berbasis Particle Swarm Optimization dapat meningkatkan akurasi yang baik. Hasil penelitian menggunakan Naïve Bayes berbasis Particle Swarm Optimization memiliki akurasi confusion matrix sebesar 91.90% dan AUC sebesar 0.946 terbukti bahwa memiliki hasil yang bagus dibanding Naïve Bayes memiliki akurasi confusion matrix sebesar 88.52% dan AUC 0.896.

scholarly journals Analisis Penerapan Optimasi Perbandingan Kinerja Algoritma C4.5 Dan Naïve Bayes Berbasis Particle Swarm Optimization (Pso) Untuk

2018 ◽  
Vol 7 (2) ◽  
pp. 1
Author(s):  
Taghfirul Azhima Yoga Siswa
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Cell Size ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
T Test ◽  
Swarm Optimization ◽  
Code Number

Perlu dilakukan upaya pencegahan untuk meningkatkan kesadaran masyarakat dalam mengenali gejala dan risiko penyakit kanker payudara sehingga dapat menentukan langkah-langkah pencegahan dan deteksi dini yang tepat. Sejalan dengan hal itu data mining merupakan salah satu pemanfaatan teknologi informasi dalam bidang kesehatan yang banyak digunakan sebagai sistem pendukung keputusan klinis dalam memprediksi dan mendiagnosa berbagai penyakit dengan akurasi data yang sangat baik. Penelitian ini bertujuan mengevaluasi perbandingan penerapan optimasi kinerja terbaik metode klasifikasi data mining algoritma C4.5 dan Naïve Bayes berbasis Particle Swarm Optimization (PSO) untuk mendeteksi kanker payudara menggunakan pengukuran confusion matrix, AUC dan T-Test. Dataset kanker payudara yang digunakan berjumlah 699 record dengan 11 parameter indikator yang terdiri dari Code Number, Clump Thickness, Uniformity of Cell Size, Uniformity of Cell Shape, Marginal Adhesion, Single Epithelial Cell Size, Bare Nuclei, Bland Chromatin, Normal Nucleoli, Mitoses, dan Class yang diolah menggunakan software RapidMiner Versi 9. Hasil penelitian ini didapatkan bahwa optimasi Particle Swarm Optimization (PSO) dapat meningkatkan kinerja akurasi C4.5 dari 90,19% menjadi 94,29% dan Naïve Bayes 97,65% menjadi 97,96%. Hasil kinerja terbaik yang diuji menggunakan T-Test adalah algoritma Naïve Bayes (PSO) memiliki nilai tertinggi sebesar 0,980. Dengan demikian algoritma Naïve Bayes berbasis Particle Swarm Optimization (PSO) dapat memberikan solusi terbaik terhadap akurasi pendeteksian penyakit kanker payudara.

scholarly journals Data Mining Optimization Using Sample Bootstrapping and Particle Swarm Optimization in the Credit Approval Classification

2019 ◽  
Vol 2 (1) ◽  
Author(s):  
Andre Alvi Agustian ◽  
Achmad Bisri
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Credit Card ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Class Imbalance ◽  
Naïve Bayes ◽  
Swarm Optimization ◽  
The Status ◽  
Auc Value

Credit approval is a process carried out by the bank or credit provider company. Where the process is carried out based on credit requests and credit proposals from the borrower. Credit approval is often difficult for banks or credit providers. Where the number of requests and classifications must be made on various data submitted. This study aims to enable banks or credit card issuing companies to carry out credit approval processes effectively and accurately in determining the status of the submissions that have been made. This research uses data mining techniques. This study uses a Credit Approval dataset from UCI Machine Learning, where there is a class imbalance in the dataset. 14 attributes are used as system inputs. This study uses the C4.5 and Naive Bayes algorithms where optimization is needed using Sample Bootstrapping and Particle Swarm Optimization (PSO) in the algorithm so that the results of the research produce good accuracy and are included in the good classification. After using the optimization, it produces an accuracy rate of C4.5 which is initially 85.99% and the AUC value of 0.904 becomes 94.44% with the AUC value of 0.969 and Naive Bayes which initially has an accuracy value of 83.09% with an AUC value of 0.916 to 90 , 10% with an AUC value of 0.944.

scholarly journals OPTIMASI NAÏVE BAYES DENGAN PARTICLE SWARM OPTIMIZATION DAN STRATIFIED UNTUK PREDIKSI KREDIT MACET PADA KOPERASI

2018 ◽  
Vol 1 (1) ◽  
pp. 43-50
Author(s):  
Tati Mardiana
Keyword(s):  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
T Test ◽  
Data Set ◽  
Swarm Optimization

Dalam bisnis, koperasi memiliki peranan penting dalam meningkatkan perekonomian nasional. Ketidakmampuan anggota untuk membayar angsuran kredit merupakan masalah utama yang terjadi pada koperasi. Akibatnya, terjadi kredit macet. Koperasi dapat menghindari kredit macet dengan membuat prediksi dari anggota koperasi yang berpotensi terlambat membayar kredit. Dalam beberapa penelitian telah menggunakan Naive Bayes untuk masalah klasifikasi karena perhitungan yang efisien, dan  akurasi tinggi. Tetapi Naive Bayes mengasumsikan bahwa semua atribut kelas tidak tergantung pada atribut lainnya. Naive Bayes sesuai untuk masalah klasifikasi dengan atribut besar. Namun, asumsi ini sering tidak dapat dipertahankan dalam masalah klasifikasi nyata. Dalam beberapa dokumen, kinerja Naive Bayes tidak sempurna. Tujuan dari penelitian ini adalah untuk mengoptimalkan metode Naive Bayes menggunakan Particle Swarm Optimization (PSO) dan untuk meningkatkan akurasi dalam memprediksi kredit macet di koperasi. Penelitian ini menggunakan data dari Pusat Data Koperasi (PUSKOPDIT) DKI Jakarta. Data set kredit yang diperoleh sebanyak 565 record dengan 15 prediktor atribut dan 1 atribut kelas. Hasil pengujian dengan confusion matrix dan kurva ROC diperoleh dari nilai akurasi sebesar 86% dan nilai sebesar 0,867 dengan diagnosis klasifikasi baik. Penelitian ini menunjukkan bahwa penggunaan PSO pada NBC untuk memprediksi kredit macet meningkatkan akurasi 21,03% dan AUC sebesar 0,069. Hasil uji T-Test dan Anova menunjukkan bahwa pada dua metode klasifikasi yang diuji memiliki perbedaan yang nyata (signifikan) dalam nilai AUC.

scholarly journals Sentiment Analysis Using Naive Bayes Algorithm with Feature Selection Particle Swarm Optimization (PSO) and Genetic Algorithm

2021 ◽  
Vol 2 (2) ◽  
Author(s):  
Abi Rafdi ◽  
Herman Mawengkang Herman ◽  
Syahril Efendi
Keyword(s):  
Genetic Algorithm ◽  
Feature Selection ◽  
Particle Swarm Optimization ◽  
Sentiment Analysis ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Swarm Optimization ◽  
Bayes Algorithm

This study analyzes Sentiment to see opinions, points of view, judgments, attitudes, and emotions towards creatures and aspects expressed through texts. One of Social Media is like Twitter is one of the most widely used means of communication as a research topic. The main problem with sentiment analysis is voting and using the best feature options for maximum results. Either, the most widely known classification method is Naive Bayes. However, Naive Bayes is very sensitive to significant features. That way, in this test, a comparison of feature selection is carried out using Particle Swarm Optimization and Genetic Algorithm to improve the accuracy performance of the Naive Bayes algorithm. Analyses are performed by comparing before and after testing using feature selection. Validation uses a cross-validation technique, while the confusion matrix ??is appealed to measure accuracy. The results showed the highest increase for Naïve Bayes algorithm accuracy when using the feature selection of the Particle Swarm Optimization Algorithm from 60.26% to 77.50%, while the genetic algorithm from 60.26% to 70.71%. Therefore, the choice of the best characteristics is Particle Swarm Optimization which is superior with an increase in accuracy of 17.24%.

scholarly journals Prediksi Nasabah Yang Berpotensi Membuka Simpanan Deposito Menggunakan Naive Bayes Berbasis Particle Swarm Optimization

Techno Com ◽  
2018 ◽  
Vol 17 (2) ◽  
pp. 208-219
Author(s):  
Alvino Dwi Rachman Prabowo ◽  
Muljono Muljono
Keyword(s):  
Data Mining ◽  
Feature Selection ◽  
Particle Swarm Optimization ◽  
Decision Support ◽  
Decision Support System ◽  
Support System ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Swarm Optimization

Deposito masih merupakan pilihan utama bagi masyarakat untuk berinvestasi saat ini dan hal itu merupakan kesempatan bagi bank-bank untuk menentukan strategi pemasaran dan promosi yang lebih efisien dengan tidak terlalu banyak menggunakan biaya sehingga masyarakat tertarik untuk berinvestasi pada produk deposito dari bank tersebut. Atas dasar permasalahan tersebut, maka dilakukan penelitian untuk memprediksi nasabah yang berpotensi membuka deposito dengan menggunakan teknik data mining khususnya algoritma Naive Bayes berbasis PSO. PSO pada penelitian ini akan digunakan untuk feature selection yaitu dengan memilih attribut terbaik dengan memilih attribut yang sudah diberikan bobot sehingga dapat meningkatkan hasil akurasi dari prediksi menggunakan algoritma Naive Bayes. Hasil dari prediksi nasabah yang berpotensi membuka deposito dengan menggunakan Naive Baiyes memiliki akurasi sebesar 82,19%. Sedangkan prediksi yang menggunakan Naive Baiyes berbasis PSO memiliki akurasi sebesar 89,70%. Penggunaan algoritma PSO ternyata meningkatkan akurasi sebesar 7,51% dan algoritma Naive Baiyes berbasis PSO tersebut dapat digunakan untuk decision support system nasabah yang berpotensi membuka deposito karena menjadi model algoritma yang terbaik. 

scholarly journals PREDIKSI PENYAKIT GINJAL KRONIS MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER BERBASIS PARTICLE SWARM OPTIMIZATION

2019 ◽  
Vol 13 (1) ◽  
pp. 26-30
Author(s):  
Toni Arifin ◽  
Daniel Ariesta
Keyword(s):  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Swarm Optimization ◽  
Missing Value

Penyakit ginjal kronis (PGK) merupakan masalah kesehatan masyarakat global dengan prevalens dan insidens gagal ginjal yang meningkat, prognosis yang buruk dan biaya yang tinggi. nilai prevalensi di seluruh Indonesia untuk penyakit gagal ginjal memiliki nilai rata - rata berkisar kurang lebih 0.2 persen. Langkah pertama dalam pengelolaan penyakit ginjal adalah penetapan diagnosis yang tepat. Maka dibutuhkan sebuah metode untuk memprediksi penyakit ginjalkronis. Naïve Bayes memiliki beberapa kelebihan, yaitu cepat dalam perhitungan, algoritma yang sederhana dan berakurasi tinggi. Naïve Bayes Classifier lebih tepat diterapkan pada data yang besar dan dapat menangani data yang tidak lengkap (missing value) serta kuat terhadap atribut yang tidak relevan dan noise pada data. Untuk meningkatkan akurasi maka digunakan Particle Swarm Optimization untuk pembobotan atribut. Dari hasil penelitian Naive Bayes Classification berbasis Particle Swarm Optimization memiliki akurasi confusion matrix sebesar 98,75% dan AUC sebesar 99%. sedangkan Naive Bayes memiliki akurasi confusion matrix  97.00% dan AUC sebesar 99.8%.

scholarly journals OPTIMASI NAÏVE BAYES MENGGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK TINGKAT KEBERHASILAN CRYOTHERAPY PADA PENYAKIT KUTIL

2021 ◽  
Vol 3 (2) ◽  
pp. 174-183
Author(s):  
Rahayu Febryani ◽  
Toni Arifin
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Swarm Optimization ◽  
Human Papiloma Virus

Penyakit kutil merupakan salah satu penyebab masalah kesehatan kulit yang ditandai dengan timbulnya benjolan kecil pada kulit, penyakit ini disebabkan oleh virus Human Papiloma Virus. Ada berbagai cara dalam penyembuhan penyakit kutil, salah satunya dengan melakukan cryotherapy. Metode cryotherapy adalah teknik pengobatan terapi dengan berendam didalam es atau air yang dingin selama kurang lebih 30 menit, dalam suhu -18 derajat celcius sampai 24 derajat celcius, sehingga sel-sel kanker dalam tubuh pasien membeku dan terbukti dapat memperpanjang umur pasien bahkan ada kemungkinan sembuh. Untuk mengurangi kesalahan deteksi penyakit ini serta menghindari keterlambatan dalam mendiagnosis dengan memanfaatkan teknik data mining. Salah satu metode data mining yang bisa digunakan adalah klasifikasi algoritma Naïve Bayes serrta untuk meningkatkan akurasi menggunakan pembobotan optimasi Particle Swarm Optimization. Pada penelitian ini, algoritma Naïve Bayes berbasis Particle Swarm Optimization meningkatkan nilai akurasi sebesar 97.22% dan nilai AUC sebesar 0.991 yang termasuk kategori Excellent Classification.

Implementasi Particle Swarm Optimization (PSO) Pada Analysis Sentiment Review Aplikasi Halodoc Menggunakan Algoritma Naïve Bayes

2021 ◽  
Vol 7 (1) ◽  
pp. 17-23
Author(s):  
Nuzuliarini Nuris ◽  
Eka Rini Yulia ◽  
Kusmayanti Solecha
Keyword(s):  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Particle Swarm ◽  
Roc Curves ◽  
Naïve Bayes ◽  
Swarm Optimization ◽  
Classification Evaluation ◽  
Bayes Algorithm ◽  
Increase In Accuracy

Health is very important for humans, if you experience symptoms or feel pain, it is appropriate for us to have a health check and go to a hospital or clinic, but if it is not possible to leave the house, an online health consultation application is considered to be helpful. But before you can use and take advantage of these applications, it is necessary to know reviews from consumers based on positive opinions and negative opinions. This study applies the Naive Bayes algorithm to perform text classification and selects the particle swarm optimazation selection feature to support the increased accuracy obtained. Classification evaluation and validation are performed using confusion matrix and ROC curves. The results showed an increase in accuracy previously 88.50% and AUC 0.535, increased to 90.50% and AUC 0.525. It can be concluded that the selection of the particle swarm optimazation feature has succeeded in increasing the accuracy.Keywords: selection features, naïve bayes, particle swarm optimization.

scholarly journals KLASIFIKASI METODE NAIVE BAYES UNTUK KELANCARAN PEMBAYARAN KREDIT LEASING SEPEDA MOTOR

2017 ◽  
Vol 8 (3) ◽  
pp. 146
Author(s):  
BUDI RAMADHANI
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Bayes Method ◽  
Swarm Optimization ◽  
Number Of Children ◽  
Naive Bayes Method

Permasalahan yang sering timbul pada perusahaan leasing adalah banyaknya pelanggan yang mengalami kesulitan dalam membayar cicilannya, maka diperlukan suatu sistem yang dapat mengklasifikasikan konsumen yang masuk ke grup saat ini, kelompok kurang lancar dan konsumen yang masuk ke dalam kelompok tidak lancar dalam membayar cicilan cicilan sepeda motor. Sehingga sewa bisa mengatasi masalah awal. Sebuah perusahaan leasing harus memiliki data yang sangat besar. Banyak yang tidak menyadari bahwa pengolahan data data tersebut bisa memberikan informasi seperti klasifikasi data konsumen yang akan bergabung dengan perusahaan itu sendiri. Penerapan teknik data mining diharapkan dapat memberikan informasi yang berguna mengenai teknik klasifikasi data konsumen yang akan bergabung dengan grup saat ini, kelompok kurang lancar atau tidak lancar dalam membayar premi.Langkah penelitian meliputi pengumpulan dan pengujian data algoritma Naive Bayes. Dalam penelitian ini, kumpulan data yang digunakan adalah Customer, Employment, Number of Children, Status Houses, region, angsuran.Penelitian ini bertujuan untuk mengetahui Klasifikasi Metode Naive Bayes Berbasis Metode PSO Untuk Smooth Credit Leasing MotorcyclesHasil percobaan menggunakan metode Naïve Bayes untuk mengukur pengukuran lancar dan tidak lancar yang diperoleh pengukuran memiliki Naïve Baiyes tertinggi adalah 96,43% namun sekarang metode algoritma Naive Bayes Particle Swarm Optimization sebesar 96,88%, adalah akurasi namun baik Keywords: Current and Non Current, Naive Bayes Method Based PSO

Sign in / Sign up

Export Citation Format

Share Document