<![CDATA[ABSTRAKPenyakit Tuberculosis (TB) merupakan penyakit paru yang paling menular dan berbahaya. Menurut World Health Organization (WHO) penyakit TB masuk kedalam salah satu dari sepuluh penyebab kematian diseluruh dunia. Lebih dari 10 juta orang terkena infeksi TB dan sekitar 60% terjadi dinegara berkembang seperti Indonesia. Sudah banyak peneliti yang melakukan penelitian untuk memprediksi penyakit tuberculosis. Pada penelitian ini dilakukan optimasi metode Naive Bayes dengan menggunakan Particle Swarm Optimization sebagai seleksi atribut untuk meningkatkan akurasi prediksi yang diaplikasikan terhadap data pasien yang dinyatakan Positif TB dan Negatif TB. Setelah dilakukan pengujian dengan dua model yaitu metode naive bayes dan optimasi naive bayes menggunakan particle swarm optimization sehingga hasil yang didapat dengan menggunakan Naive Bayes diperoleh accucary sebesar 92,69% dengan nilai AUC 0,992 sedangkan pengujian dengan menggunakan optimasi Naive Bayes dengan Particle Swarm Optimization didapatkan nilai accurcy sebesar 98,76% dengan nilai AUC 0,999 dengan tingkat diagnosa excellent classification karena hasil AUC-nya antara 0,90-1,00. Sehingga kedua metode tersebut memiliki perbedaan tingkat akurasi sebesar 6,07% dan perbedaan nilai AUC sebesar 0,007. Keywords: Tuberculosis, Naive Bayes, Seleksi Atribut, Particle Swarm Optimization ABSTRACTTuberculosis (TB) is the most contagious pulmonary disease and dangerous. According to the World Health Organization (WHO) TB disease is one of the ten leading causes of death worldwide. More than 10 million people exposed to TB infected and around 60% occur in a country growing as Indonesia. There have been many researchers who conducted the study to predict tuberculosis. In this research, Naive Bayes Method Optimization using Particle Swarm Optimization as an attribute selection to improve predictions accuracy applied to patient data that was declared positive TB and negative TB. After testing with two models namely Naive Bayes Method and Naive Bayes Optimization using Particle Swarm Optimization, the results obtained by using the Naive Bayes obtained accucary of 92.69% with the value of AUC 0.992 while testing using Naive Bayes Optimization with Particle Swarm Optimization obtained an accurcy value of 98.76% with the value of AUC 0.999 with excellent classification diagnosis because the AUC results are between 0.90-1.00. So that the two methods have difference levels of accuracy that is equal to 6.07% and the difference in AUC value of 0.007. Keywords: Tuberculosis, Naive Bayes, Selection Attributes, Particle Swarm Optimization]]>
Copyrights © 2020
