<![CDATA[Infeksi virus dengue yang dikenal sebagai DBD masih menjadi tantangan serius dalam layanan kesehatan di Indonesia karena sifatnya yang menular dan terus menimbulkan masalah hingga saat ini. Penyebaran DBD yang cepat dan peningkatan angka kejadian memerlukan strategi deteksi dini yang lebih efektif untuk mencegah komplikasi serius. Sayangnya, metode konvensional seperti pemeriksaan NS1, IgM/IgG, dan PCR masih menghadapi keterbatasan dalam ketersediaan serta biaya. Penelitian ini difokuskan pada pengembangan Sistem Pendukung Keputusan (SPK) yang berbasis algoritma Naïve Bayes dengan memanfaatkan data hematologi rutin untuk mengklasifikasikan tingkat risiko infeksi DBD. Dataset yang digunakan berasal dari platform Kaggle dengan 924 data pasien yang telah melalui tahap pembersihan dan normalisasi. Data yang digunakan terdiri dari variabel-variabel seperti usia, gender, tekanan darah, gula darah, suhu tubuh, denyut jantung, dan level risiko. Algoritma Naïve Bayes dipilih untuk membangun model Atas dasar kapasitasnya dalam mengolah data secara optimal dengan asumsi bahwa setiap atribut bersifat independen. Dataset Pembagian data dilakukan ke dalam dua subset, di mana sebagian besar (80%) ditujukan untuk training, dan sisanya (20%) untuk testing. Kinerja model dievaluasi menggunakan metrik seperti akurasi, presisi, recall, serta F1-score. Dari hasil pengujian, model mampu memperoleh tingkat akurasi sebesar 98,03%, dengan performa sangat baik di seluruh kelas risiko, terutama recall sempurna pada kelas risiko tinggi. Hal ini menunjukkan kemampuan model dalam mengidentifikasi kasus-kasus berisiko tinggi tanpa terlewat. Dengan demikian, penelitian ini membuktikan bahwa data hematologi yang sederhana dapat dimanfaatkan secara optimal untuk deteksi dini DBD. Sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, hemat biaya, dan dapat diimplementasikan secara luas untuk mendukung pelayanan kesehatan primer.]]>
Copyrights © 2025
