Analisis Seleksi Atribut pada Algoritma Naïve Bayes Dalam Memprediksi Penyakit Jantung

Abstract

Data mining can be used to predict a disease from patient’s medical records. Some of the attribute from the data may have a value that is not relevant to the task of data mining and if included it can interfere and causing confusion for mining algorithm. It’s necessary to do attribute selection which is a process for identifying and eliminating attribute with values that are irrelevant or redundant. This research result the information or data about the difference of accuracy from prediction that used Naive Bayes algorithm with or without attributes selection. Attribute selection using information gain implemented on Naive Bayes algorithm for classification task in heart disease prediction. Information gain head for sorting attributes based on rank, which is the higher information gain value from an attributes then the more significant the attributes for classification task.

Data mining dapat dimanfaatkan untuk memprediksi suatu penyakit dari data rekam medis pasien. Beberapa atribut pada data mungkin memiliki nilai yang tidak relevan untuk tugas data mining dan jika mengikutsertakan atribut yang tidak relevan dapat mengganggu dan menyebabkan kebingungan pada tugas algoritma data mining. Untuk itu perlu dilakukan seleksi atribut yang merupakan proses untuk mengidentifikasi dan menghilangkan atribut dengan nilai yang tidak relevan atau berlebihan. Pada penelitian ini diperoleh informasi atau data tentang perbedaan akurasi dari hasil prediksi algoritma Naive Bayes dengan menggunakan seleksi atribut dan tanpa menggunakan seleksi atribut. Seleksi atribut menggunakan information gain yang diimplementasikan pada algoritma Naive Bayes untuk tugas klasifikasi dalam memprediksi penyakit jantung. Information gain bertujuan melakukan pengurutan atribut berdasarkan peringkat (rank) dimana semakin besar nilai information gain dari suatu atribut maka semakin signifikan atribut tersebut untuk tugas prediksi.