Analisis Data Sintetis Polycystic Ovary Syndrome Menggunakan Algoritma Naive Bayes dan K-NN

Sigit Andriyanto; Sita Muharni; Sulistiyanto Sulistiyanto

doi:10.31004/riggs.v4i1.387

Authors

Sigit Andriyanto Universitas Aisyah Pringsewu
Sita Muharni Universitas Dharma Wacana
Sulistiyanto Politeknik Negeri Sriwijaya

DOI:

https://doi.org/10.31004/riggs.v4i1.387

Keywords:

Klasifikasi, PCOS, K-NN, Naive Bayes, Data mining

Abstract

Kesehatan reproduksi wanita adalah aspek penting yang memiliki dampak besar pada kualitas hidup, baik secara fisik, emosional dan sosial. Kondisi yang sering mengganggu keseimbangan kesehatan reproduksi wanita adalah sindrom ovarium polikistik atau disebut PCOS (Polycystic Ovary Syndrome). PCOS adalah gangguan hormonal yang cukup kompleks dan sering ditemukan pada wanita. Diperkirakan sekitar 5 hingga 10% wanita dari usia remaja menghasilkan kondisi ini, menjadikannya salah satu gangguan endokrin yang paling umum pada wanita. Dalam konteks kesehatan, ini dapat berarti mengklasifikasikan apakah seseorang mungkin memiliki penyakit atau tidak sesuai dengan data gejala atau hasil tes laboratorium, Data sintetis yang mewakili kasus PCOS. Studi ini menggunakan dua algoritma klasifikasi yang akan digunakan untuk menganalisis data sintetis PCOS. Total data dari 3000 reocrd dapat ditentukan bahwa keakuratan menunjukkan bahwa keakuratan kisaran data dari data sindrom ovarium polifoni (PCOS) 93.83% untuk algoritma naive bayes, sedangkan untuk data yang diprediksi diagnosa PCOS (Polycystic Ovary Syndrome) menghasilkan 99.33% untuk algoritma K-NN. Oleh karena itu, dapat disimpulkan bahwa algoritma K-NN dapat menghitung dengan baik dengan menggunakan data sintetis wanita dengan PCOS (Polycystic Ovary Syndrome).

Downloads

Download data is not yet available.

References

N. T. Pitaloka and K. Kusnawi, “Pcos Disease Classification Using Feature Selection Rfecv And Eda With KNN Algorithm Method,” Jurnal Teknik Informatika (JUTIF), vol. 4, no. 4, pp. 693–701, 2023.

A. E. Joham et al., “Polycystic ovary syndrome,” Lancet Diabetes Endocrinol, vol. 10, no. 9, pp. 668–680, 2022.

E. Stener-Victorin et al., “Polycystic ovary syndrome,” Nat Rev Dis Primers, vol. 10, no. 1, p. 27, 2024.

N. A. Stańczak, E. Grywalska, and E. Dudzińska, “The latest reports and treatment methods on polycystic ovary syndrome,” Ann Med, vol. 56, no. 1, p. 2357737, 2024.

Y. Che, J. Yu, Y.-S. Li, Y.-C. Zhu, and T. Tao, “Polycystic ovary syndrome: challenges and possible solutions,” J Clin Med, vol. 12, no. 4, p. 1500, 2023.

S. Sulistiyanto, E. Nadeak, N. Rahmi, and M. Malahayati, “Metode Data Mining dalam Kasus Seleksi Beasiswa: Literature Review,” Jurnal Penelitian Inovatif, vol. 4, no. 3, pp. 1091–1100, 2024.

S. Vinothini, S. Vaishnavi, and N. Mythili, “Polycystic Ovary Syndrome (PCOS) Disease Prediction Using Machine Learning,” in 2024 IEEE International Conference on Contemporary Computing and Communications (InC4), IEEE, 2024, pp. 1–9.

S. Muharni and S. Andriyanto, “Penentuan Pola Penjualan Menggunakan Algoritma Apriori,” Digital Transformation Technology, vol. 4, no. 1, pp. 60–71, 2024.

N. Nosiel, S. Andriyanto, and M. S. Hasibuan, “Application of Nave Bayes Algorithm for SMS Spam Classification Using Orange,” International Journal of Advanced Science and Computer Applications, vol. 1, no. 1, pp. 16–24, 2022.

M. S. Hasibuan, R. Z. A. Aziz, and A. Sigit, “Utilizing Clustering Algorithms to Provide Vark Learning Style Recommendations,” in 2023 10th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), IEEE, 2023, pp. 361–365.

S. Ahmed et al., “A review on the detection techniques of polycystic ovary syndrome using machine learning,” IEEE Access, vol. 11, pp. 86522–86543, 2023.