KLASIFIKASI TINGKAT KERENTANAN COVID-19 PADA TIAP DAERAH DI JAWA BARAT MENGGUNAKAN NAIVE BAYES DAN BACKWARD ELIMINATION

• ANDHI HAMZAH
• 2020

---

ABSTRAK

 

Andhi Hamzah (19160757), Klasifikasi Tingkat Kerentanan COVID-19 Pada Tiap Daerah Di Jawa Barat Menggunakan Naive Bayes Dan Backward Elimination

 

COVID-19 adalah penyakit yang disebabkan oleh novel coronavirus (2019-nCoV),  jenis baru coronavirus yang diidentifikasi untuk pertama kalinya di Wuhan, Cina, dinamai "penyakit coronavirus 2019" (COVID-19). Jumlah Penderita COVID-19 di Indonesia mengalami peningkatan setiap bulan, Penyakit ini dapat menyebar melalui tetesan kecil (droplet) dari hidung atau mulut pada saat batuk atau bersin. Droplet tersebut kemudian jatuh pada benda di sekitarnya. Data ini menggunakan dataset yang diunggah di data merupakan data publik yang  diambil dari website yaitu COVID-19 di Jawa Barat dataset pada bulan April 2020 oleh PIKOBAR Jawa Barat . COVID-19 di Jawa Barat dataset ini diperoleh sebanyak 189 record terdiri dari 7 atribute. Data ini akan diolah menggunakan metode Naïve Bayes dan Backward Elimination.. Berdasarkan hasil pembahasan yang telah dilakukan, dapat disimpulkan bahwa metode Naïve Bayes saja tidak mendapatkan hasik akurasi yang optimal, Kemudian penggabungan metode Naïve Bayes dengan Backward Elimination mendapatkan peningkatan akurasi sebesar 15.74 % sehingga nilai tingkat akurasi akhirnya sebesar 75 % .

ABSTRACT

 

Andhi Hamzah (19160757), a classification of the vulnerability of COVID-19 in each area of West Java using Naive Bayes and Backward Elimination

 

COVID-19 is a disease caused by coronavirus novel (2019-Ncov), the new coronavirus type that was identified for the first time in Wuhan, China, named "Coronavirus Disease 2019" (COVID-19). The number of COVID-19 sufferers in Indonesia has increased every month, the disease can spread through small droplets (droplet) from the nose or mouth when coughing or sneezing. The Droplet then falls on objects around it. This data using datasets uploaded in the data is a public data taken from the website COVID-19 in West Java dataset in April 2020 BY PIKOBAR West Java. COVID-19 in West Java this dataset was obtained as much as 189 records consisting of 7 Atribute. This Data will be processed using the Naïve Bayes and Backward Elimination methods.. Based on the results of the discussion that has been done, it can be concluded that the method Naïve Bayes only not get optimal accuracy, then the merger of Naïve Bayes method with backward elimination get increased accuracy of 15.74 % so that the value of accuracy is finally at 75%

• Penyakit COVID-19
• Backward Elimination
• Naive Bayes
• klasifikasi

DAFTAR PUSTAKA

Alfisahrin, S. N. N. (2014). Komparasi Algoritma C4.5, Naive Bayes dan Neural Network Untuk Memprediksi Penyakit Jantung. Jurnal Bianglala Informatika, 2(1).

Andhi Hamzah. (2020a). Microsoft Excel (hal. 1–2).

Andhi Hamzah. (2020b). Rapidminner Studio.

Bode, A. (2017). Backward Elimination. K-Nearest Neighbor Dengan Feature Selectionk-Nearest Neighbor Dengan Feature Selection Menggunakan Backward Elimination Untuk Prediksi Harga Komoditi Kopi Arabika, 189.

Dejongh. (2020). What is a ‘novel’ coronavirus? https://www.unicef.org/stories/novel-coronavirus-outbreak-what-parents-should-know

Gorunescu, F. (2013). Data Mining: Concepts, Models and Techniques. In Journal of Chemical Information and Modeling (Vol. 53, Nomor 9). https://doi.org/10.1017/CBO9781107415324.004

Han, J., Micheline, K., & Jian, P. (2012). Data Mining (Concept And Techniques). In Data Mining (Vol. 3, Nomor 13). Https://Doi.Org/10.1017/Cbo9781107415324.004

Junianto, E., & Riana, D. (2017). Penerapan PSO Untuk Seleksi Fitur Pada Klasifikasi Dokumen Berita Menggunakan NBC. Ejournal.Bsi.Ac.Id, 4(1), 38–45.

Listriani, D., Setyaningrum, A. H., & A., F. E. M. (2016). Penerapan Metode Asosiasi Menggunakan Algoritma Apriori Pada Aplikasi Analisa Pola Belanja Konsumen ( Studi Kasus Toko Buku Gramedia Bintaro ). 9(2), 120–127.

Listriani, S. (2016). CRISPDM. 122.

M.Fadly Rahman, M.Ilham Darmawidjadja, D. A. (2017). Klasifikasi Untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network. Jurnal Informatika, Vol.11.No1(Klasifikasi Untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network), 41.

Mochammad Faid, Moh. Jasri, Titasari Rahmawati. (2019). Perbandingan Kinerja Tool Data Mining Weka dan Rapidminer Dalam Algoritma Klasifikasi. TEKNIKA, 8.

Nofriansyah, Erwansyah, & R. (2016). Data Mining Dikatakan Poroses Mengekstrak.

Nofriansyah, D., Erwansyah, K., & Ramadhan, M. (2016). Penerapan Data Mining dengan Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL ( Studi Kasus di. Jurnal Ilmiah Saintikom, 15(Mei), 81–92.

PIKOBAR. (2020). Pusat Informasi & Koordinasi COVID-19. Pusat Informasi & Koordinasi COVID-19.

Vercellis, C. (2009). Business Intelligence: Data Mining and Optimization for Decision Making. In Business Intelligence: Data Mining and Optimization for Decision Making. https://doi.org/10.1002/9780470753866

WHO. (2020). Pertanyaan dan jawaban terkait Coronavirus. https://www.who.int/indonesia/news/novel-coronavirus/qa-for-public

Yuliga Mahena, Muhammad Rusli, E. W. (2015). Prediksi Harga Emas Dunia Sebagai Pendukung Keputusan Investasi Saham Emas Menggunakan Teknik Data Mining. Jurnal Sains dan Teknologi, Volume 2 N, Kalbiscentia.

Zacharski, R. (2012). Programmers Guide to Data Mining: The Art of the Numerati. 360. https://doi.org/10.1007/978-1-4419-1280-0