Prediksi Penyakit Ispa Menggunakan Data Mining Naive Bayes di Klinik Pratama Rawat Inap HMS Medika

Authors

  • Riki Datul Fajar Universitas Pamulang

DOI:

https://doi.org/10.69693/jesa.v4i1.130

Keywords:

Data Mining, Naive Bayes, ISPA, Prediksi, Sistem Berbasis Web

Abstract

Infeksi Saluran Pernapasan Akut (ISPA) merupakan gangguan kesehatan yang perlu dikenali sejak dini karena gejalanya dapat muncul dalam beberapa bentuk, seperti demam, batuk, pilek, sesak napas, dan nyeri tenggorokan. Di Klinik Pratama Rawat Inap HMS Medika, identifikasi penyakit masih bergantung pada pemeriksaan dan analisis tenaga medis, sedangkan data pemeriksaan yang tersimpan belum dimanfaatkan secara maksimal untuk menemukan pola gejala. Penelitian ini bertujuan menerapkan data mining dengan algoritma Naive Bayes untuk memprediksi kemungkinan ISPA berdasarkan gejala pasien dan membangun aplikasi berbasis web sebagai alat bantu identifikasi awal. Pengumpulan informasi dilakukan melalui wawancara, observasi, dan studi literatur. Atribut yang digunakan mencakup umur, jenis kelamin, demam, batuk, pilek, sesak napas, dan nyeri tenggorokan, dengan kelas prediksi ISPA dan bukan ISPA. Data melalui tahap preprocessing berupa pemeriksaan kelengkapan, penanganan data tidak lengkap, pemilihan atribut, dan pengelompokan berdasarkan kelas. Aplikasi dikembangkan menggunakan PHP, framework CodeIgniter, dan basis data MySQL. Perancangan sistem memakai Unified Modeling Language (UML), pengujian fungsi memakai Black Box Testing, dan evaluasi klasifikasi direncanakan memakai confusion matrix serta akurasi. Hasil penelitian menunjukkan bahwa sistem mampu menerima data gejala, menghitung peluang setiap kelas, dan menampilkan hasil prediksi ISPA atau bukan ISPA. Data yang digunakan berupa data dummy dan simulasi, sedangkan nilai akurasi belum dilaporkan, sehingga kinerja klasifikasi belum dapat dinyatakan secara kuantitatif. Sistem diposisikan sebagai alat bantu dan tidak menggantikan pemeriksaan klinis atau diagnosis dokter.

Downloads

Download data is not yet available.

References

1. Indhira, S., Yuhandri, & Hendrik, B. (2024). Penerapan metode Naïve Bayes dalam mengklasifikasi penyakit ISPA di Puskesmas. Jurnal KomtekInfo, 11(4), 197–204. https://doi.org/10.35134/komtekinfo.v11i4.541

2. Booch, G., Rumbaugh, J., & Jacobson, I. (2005). The unified modeling language user guide (2nd ed.). Addison-Wesley.

3. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.

4. Domingos, P., & Pazzani, M. (1997). On the optimality of the simple Bayesian classifier under zero-one loss. Machine Learning, 29(2–3), 103–130.

5. Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874.

6. Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37–54.

7. Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann.

8. Hossin, M., & Sulaiman, M. N. (2015). A review on evaluation metrics for data classification evaluations. International Journal of Data Mining & Knowledge Management Process, 5(2), 1–11.

9. Kementerian Kesehatan Republik Indonesia. (2019). Laporan nasional Riskesdas 2018. Badan Penelitian dan Pengembangan Kesehatan.

10. Kementerian Kesehatan Republik Indonesia. (2022). Peraturan Menteri Kesehatan Republik Indonesia Nomor 24 Tahun 2022 tentang Rekam Medis.

11. Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI), 2, 1137–1143.

12. Kononenko, I. (2001). Machine learning for medical diagnosis: History, state of the art and perspective. Artificial Intelligence in Medicine, 23(1), 89–109.

13. Kotsiantis, S. B., Kanellopoulos, D., & Pintelas, P. E. (2006). Data preprocessing for supervised learning. International Journal of Computer Science, 1(2), 111–117.

14. Lewis, D. D. (1998). Naive (Bayes) at forty: The independence assumption in information retrieval. Proceedings of the 10th European Conference on Machine Learning (ECML), 4–15.

15. Myers, G. J., Sandler, C., & Badgett, T. (2011). The art of software testing (3rd ed.). John Wiley & Sons.

16. Pressman, R. S., & Maxim, B. R. (2020). Software engineering: A practitioner's approach (9th ed.). McGraw-Hill Education.

17. Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1(1), 81–106.

18. Republik Indonesia. (2022). Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.

19. Rish, I. (2001). An empirical study of the naive Bayes classifier. IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence, 3(22), 41–46.

20. Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427–437.

21. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2017). Data mining: Practical machine learning tools and techniques (4th ed.). Morgan Kaufmann.

22. World Health Organization. (2014). Infection prevention and control of epidemic- and pandemic-prone acute respiratory infections in health care. WHO Press.

Downloads

Published

21-11-2026

How to Cite

Fajar, R. D. (2026). Prediksi Penyakit Ispa Menggunakan Data Mining Naive Bayes di Klinik Pratama Rawat Inap HMS Medika. Journal of Engineering and Science Application, 4(1), 129–136. https://doi.org/10.69693/jesa.v4i1.130