<![CDATA[Penyakit Kardiovaskular (PK) merupakan salah satu penyebab utama kematian global, menjadikannya masalah kesehatan yang mendesak. Deteksi dini berbasis data memiliki potensi besar untuk meningkatkan diagnosis, tetapi kualitas prediksi sangat dipengaruhi oleh pemilihan data atribut yang relevan. Meskipun algoritma Naïve Bayes dikenal sederhana dan efisien dalam klasifikasi, kinerjanya sering kali terbatas pada dataset dengan atribut yang tidak relevan atau redundan. Penelitian sebelumnya menunjukkan bahwa Naïve Bayes memiliki akurasi yang lebih rendah dibandingkan algoritma lainnya dalam aplikasi medis. Oleh karena itu, penelitian ini mengeksplorasi potensi Information Gain (IG) dan Mutual Information (MI) sebagai metode seleksi fitur untuk meningkatkan akurasi prediksi PK menggunakan Naïve Bayes. Penggunaan IG dan MI belum banyak diteliti secara mendalam pada dataset medis dengan karakteristik unik seperti missing value, outlier, dan keterhubungan kelas, yang menjadi celah penting dalam penelitian ini. Proses penelitian meliputi transformasi data, seleksi fitur, dan evaluasi model akurasi menggunakan matriks konfusi. Hasil eksperimen menunjukkan bahwa penggunaan IG menghasilkan akurasi rata-rata tertinggi sebesar 88,6% dibandingkan MI dengan rata-rata akurasi 87%. Sementara Naïve Bayes seleksi tanpa fitur hanya mencapai akurasi 80%. Dengan demikian, IG menjadi metode seleksi fitur yang lebih efektif untuk meningkatkan kinerja Naïve Bayes dalam memprediksi PK. Penelitian ini menunjukkan bahwa seleksi fitur berbasis IG dan MI dapat mengurangi kompleksitas model, meningkatkan akurasi, serta mempercepat waktu pemrosesan karena IG maupun MI secara bersama-sama dapat melakukan proses seleksi terhadap fitur yang paling relevan untuk digunakan pada algoritma Naïve Bayes sehingga mampu meningkatkan kinerja dalam mengklasifikasi Penyakit Kardiovaskular. ]]>
Copyrights © 2025
