APLIKASI PREDIKSI USIA KELAHIRAN DENGAN METODE NAIVE BAYES

Naisha Rahma Indraswari
Yogiek Indra Kurniawan

Abstract


Umumnya kelahiran bayi sehat cukup bulan berada pada minggu 38-42 kehamilan. Namun ada banyak bayi yang terlahir pada usia kelahiran yang kurang mencukupi bahkan lahir dalam usia kelahiran yang lewat waktu. Hal ini menjadi hal yang serius mengingat banyak terjadi kematian bayi akibat usia kelahiran yang kurang mencukupi atau yang lewat waktu. Penelitian ini bertujuan untuk membuat aplikasi prediksi yang nantinya akan dapat membantu pasien dalam mengetahui usia kelahirannya dan mengantisipasi hal yang tidak diinginkan kedepannya. Metode yang digunakan merupakan metode Naïve Bayes dengan variable inputan faktor-faktor yang dialami oleh ibu hamil, diantaranya: usia ibu, tekanan darah, jumlah bayi, riwayat persalinan, riwayat abortus/ kuretase, malnutrisi, penyakit bawaan sebelum hamil dan masalah saat kehamilan. Hasil dari penelitian ini merupakan sebuah aplikasi yang dapat memprediksi usia kelahiran dengan nilai akurasi aplikasi tertinggi pada angka 78,69%, nilai precision tertinggi ada pada angka 70.14% dan nilai recall tertinggi ada pada angka 63.64%.


Keywords


aplikasi; naïve bayes; prediksi; usia kelahiran

Teks Lengkap:

PDF

Referensi


WHO. “Preterm Birth,” World Health Organization., Updated November 2016, [Online]. Tersedia: http://www.who.int/mediacentre/factsheets/fs363/en/ [Diakses: 30 Oktober 2017].

WHO. (2012). Born Too Soon: The Global Action Report on Preterm Birth. Tersedia: http://www.who.int/pmnch/media/news/2012/201204_borntoosoon-report.pdf [Diakses: 8 September 2017].

Kurniawan, Y. I. dan Dwiyatmika, W. 2017. “Aplikasi Diagnosa Retardasi Mental Pada Anak”. Prosiding SEMNAS Penguatan Individu di Era Revolusi Informasi, 336-343.

Nugroho, A. dan Subanar. 2013. “Klasifikasi Naïve Bayes untuk Prediksi Kelahiran pada Data Ibu Hamil”. Berkala MIPA 23. 3, 297-308.

Nugroho, Y., dan Haryati, S. 2015. “Klasifikasi dan Klastering Penjurusan Siswa SMA Negeri 3 Boyolali”. Khazanah Informatika Jurnal Ilmu Komputer dan Informatika 1. 1, 1-6.

Marlina, M., et. al. 2017. “Aplikasi sistem pakar diagnosis penyakit ISPA Berbasis Speech Recognition Menggunakan Metode Naive Bayes Classifier”. Jurnal Teknologi Informasi & Komunikasi Digital Zone 8. 1, 58-70.

Prasetyo, E. (2012). Data Mining: Konsep dan Aplikasi Mengginakan Matlab. Yogyakarta: Penerbit Andi.

Liantoni, F., dan Nugroho, H. 2015. “Klasifikasi Daun Herbal Menggunakan Metode Naive Bayes Classifier dan K-Nearest Neighbor”. Jurnal Ilmiah SismanteC 5. 1, 9-16.

Vijayarani, S., dan Dhayanand, S. 2015. “Data Mining Classification Algorithms for Kidney Disease Prediction”. International Journal on Cybernetics & Informatics (IJCI) 4. 4, 13-25.

Nugroho, Y. S., dan Gunawan, D. 2016. “Decision Tree Induction for Classifying the Cholesterol Levels”. The 2nd International Conference on Science, Technology and Humanity. 231-240.

Vafeiadis, T., et. al. “A Compariosn Of Machine Learning Techniques For Customer Chrun Prediction”. Simulation Modelling Practice and Theory. 55, 1-9.




DOI: https://doi.org/10.24176/simet.v9i1.1827

Article Metrics

Abstract views : 5844| PDF views : 3617

Refbacks

  • Saat ini tidak ada refbacks.


free hit counter View My Stats

Indexed by:

Dimensions logo

 

Flag Counter

Creative Commons License
Simetris : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer is licensed under a Creative Commons Attribution 4.0 International License.

Dedicated to: