<![CDATA[Hepatitis merupakan penyakit serius yang memerlukan prediksi dini untuk mencegah komplikasi. Algoritma Naïve Bayes banyak digunakan dalam prediksi penyakit karena efisiensinya dalam menangani dataset yang besar dan sederhana. Namun, tantangan seperti ketidakseimbangan kelas, data yang tidak relevan, dan noise dalam dataset dapat mengurangi kinerja prediksi. Studi ini mengusulkan integrasi Analisis Varians (ANOVA) dengan Naïve Bayes untuk meningkatkan akurasi prediksi. ANOVA diterapkan sebagai metode pemilihan fitur berbasis filter untuk mengidentifikasi fitur yang paling signifikan, sehingga mengurangi efek noise dan fitur yang tidak relevan. Dataset yang digunakan dalam studi ini bersumber dari Repositori UCI, dengan validasi yang dilakukan menggunakan validasi silang 10 kali lipat. Hasilnya menunjukkan bahwa integrasi ANOVA meningkatkan akurasi prediksi Naïve Bayes dari 83,71% menjadi 85% sekaligus mengurangi jumlah fitur dari 19 menjadi lebih sedikit tanpa mengorbankan akurasi dan menghindari overfitting. Perangkat lunak yang dikembangkan dalam studi ini mendukung visualisasi dan prediksi data, yang selanjutnya memperkuat implementasi praktisnya. Penelitian ini berkontribusi pada optimalisasi prediksi penyakit hepatitis melalui pendekatan ANOVA. Penelitian selanjutnya disarankan untuk membandingkan metode ini dengan algoritma lain, seperti Decision Tree atau Support Vector Machine, dan mengujinya pada kumpulan data yang lebih besar dan lebih kompleks.]]>
Copyrights © 2026
