PENERAPAN ALGORITMA NAIVE BAYES, RECURSIVE FEATURE ELIMINATION, DAN ADAPTIVE SYNTHETIC SAMPLING PADA KLASIFIKASI PENYAKIT DERMATITIS

Wahyu Hidayat; Taghfirul Azhima Yoga Siswa; Rofilde Hasudungan

doi:10.24252/instek.v10i2.59737

Authors

Wahyu Hidayat Universitas Muhammadiyah Kalimantan Timur
Taghfirul Azhima Yoga Siswa Universitas Muhammadiyah Kalimantan Timur
Rofilde Hasudungan Universitas Muhammadiyah Kalimantan Timur

DOI:

https://doi.org/10.24252/instek.v10i2.59737

Keywords:

ADASYN, Dermatitis, Klasifikasi, Naive Bayes, Recursive Feature Elimination (RFE)

Abstract

Dermatitis merupakan salah satu penyakit kulit yang umum terjadi dan menyerang sekitar 5,7 juta orang setiap tahunnya. Di Indonesia, penyakit ini tergolong sebagai salah satu dari tiga besar faktor risiko yang berkontribusi terhadap peningkatan kasus kanker kulit. Penelitian ini bertujuan untuk mengklasifikasikan penyakit dermatitis menggunakan algoritma Naive Bayes dengan penerapan teknik seleksi fitur Recursive Feature Elimination (RFE) serta penyeimbangan data Adaptive Synthetic Sampling (ADASYN). Data penelitian terdiri atas 392 kasus dermatitis dari UPT Puskesmas Bontang Barat tahun 2024, berdasarkan surat persetujuan izin penelitian Nomor B/000.9.2.4/393/PUS-BB/2025, dengan izin etik dan persetujuan dari pihak terkait untuk penggunaan data dalam kegiatan penelitian dan publikasi ilmiah. Validasi model dilakukan menggunakan metode 5-fold cross-validation, sedangkan evaluasi kinerja model menggunakan confusion matrix untuk mengukur akurasi. Hasil penelitian menunjukkan bahwa fitur sistolik, diastolik, umur, berat badan, dan tinggi badan berkontribusi signifikan terhadap proses klasifikasi. Model awal menghasilkan akurasi sebesar 60,15%, meningkat menjadi 66,52% setelah penerapan ADASYN, dan mencapai 90,89% ketika RFE dan ADASYN diterapkan secara bersamaan. Peningkatan akurasi sebesar 24,37% dibandingkan model awal ini membuktikan bahwa penerapan teknik seleksi fitur dan penyeimbangan data dapat meningkatkan kinerja model klasifikasi penyakit dermatitis.

Downloads

Download data is not yet available.

References

[1] E. Lisma, A. Arbi, and V. N. Arifin, “Faktor-Faktor Yang Berhubungan Dengan Upaya Pencegahan Dermatitis Kontak,” Jambura Heal. Sport J., vol. 6, no. 2, pp. 176–184, 2024, doi: 10.37311/jhsj.v6i2.26823.

[2] Kemenkes RI, “Profil Kesehatan Indonesia. Kementerian Kesehatan Republik Indonesia, Jakarta.,” 2022.

[3] K. P. Pohan and C. Chairunisah, “Sistem Pakar Mendiagnosa Penyakit Kulit Pada Manusia Menggunakan Metode Naive Bayes Classifier Berbasis Web,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 23, no. 1, p. 204, 2024, doi: 10.53513/jis.v23i1.9521.

[4] Putri Armilia Prayesy, “Studi Perbandingan Metode Support Vector Machine , Random Forest , Dan Convolutional Neural Network Untuk Klasifikasi A Comparative Study Of Support Vector Machine , Random Forest , And Convolutional Neural Network Methods For Skin Disease Dataset Classif,” JKBTI (Jurnal kecerdasan Buatan Teknol. Informasi), vol. 4, no. 1, pp. 70–76, 2025, doi: https://doi.org/10.69916/jkbti.v4i1.214.

[5] R. Maulana, R. Narasati, R. Herdiana, R. Hamonangan, and S. Anwar, “Komparasi Algoritma Decision Tree Dan Naive Bayes Dalam Klasifikasi Penyakit Diabetes,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3865–3870, 2024, doi: 10.36040/jati.v7i6.8265.

[6] M. Rizal, M. Z. Syahaf, S. R. Priyambodo, and Y. Rhamdani, “Optimasi Algoritma Naïve Bayes Menggunakan Forward Selection Untuk Klasifikasi Penyakit Ginjal Kronis,” Naratif J. Nas. Riset, Apl. dan Tek. Inform., vol. 5, no. 1, pp. 71–80, 2023, doi: 10.53580/naratif.v5i1.200.

[7] Y. B. Widodo, S. A. Anggraeini, and T. Sutabri, “Perancangan Sistem Pakar Diagnosis Penyakit Diabetes Berbasis Web Menggunakan Algoritma Naive Bayes,” J. Teknol. Inform. dan Komput., vol. 7, no. 1, pp. 112–123, 2021, doi: 10.37012/jtik.v7i1.507.

[8] G. Dwilestari and T. A. Afifah, “Perbandingan Kinerja Algoritma Naive Bayes Dan Decision Tree Dalam Klasifikasi Kanker Paru-Paru,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 1, pp. 801–807, 2025, doi: https://ejournal.itn.ac.id/index.php/jati/article/view/12463.

[9] Sutarman, R. Siringoringo, D. Arisandi, E. Kurniawan, and E. B. Nababan, “Model Klasifikasi Dengan Logistic Regression Dan Recursive Feature Elimination Pada Data Tidak Seimbang,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 4, pp. 735–742, 2024, doi: 10.25126/jtiik.1148198.

[10] C. Kuzudisli, B. Bakir-Gungor, B. Qaqish, and M. Yousef, “RCE-IFE: Recursive Cluster Elimination with Intra-cluster Feature Elimination,” PeerJ Comput. Sci., pp. 2–27, 2024, doi: https://doi.org/10.1101/2024.02.28.580487.

[11] A. sami Jaddoa, S. J. Saba, and E. A.Abd Al-Kareem, “Liver Disease Prediction Model Based on Oversampling Dataset with RFE Feature Selection using ANN and AdaBoost algorithms,” Buana Inf. Technol. Comput. Sci. (BIT CS), vol. 4, no. 2, pp. 85–93, 2023, doi: 10.36805/bit-cs.v4i2.5565.

[12] M. E. Ozates, A. Yaman, F. Salami, S. Campos, S. I. Wolf, and U. Schneider, “Identification and interpretation of gait analysis features and foot conditions by explainable AI,” Sci. Rep., vol. 14, no. 1, pp. 1–13, 2024, doi: 10.1038/s41598-024-56656-4.

[13] C. Kaope and Y. Pristyanto, “The Effect of Class Imbalance Handling on Datasets Toward Classification Algorithm Performance,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 22, no. 2, pp. 227–238, 2023, doi: 10.30812/matrik.v22i2.2515.

[14] M. Tiara et al., “Pemanfaatan Algoritma Adasyn Dan Support Vector Machine Dalam Meningkatkan Akurasi Prediksi Kanker Paru-Paru,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 5, pp. 8773–8778, 2024, doi: https://doi.org/10.36040/jati.v8i5.10752.

[15] A. Karima and T. A. Y. Siswa, “Prediksi Kinerja Mahasiswa Dalam Perkuliahan Berbasis Learning Management System Menggunakan Algoritma Naïve Bayes,” Progresif J. Ilm. Komput., vol. 18, no. 2, p. 211, 2022, doi: 10.35889/progresif.v18i2.922.

[16] R. Syaputra, T. A. Y. Siswa, and W. J. Pranoto, “Model Optimasi SVM Dengan PSO-GA dan SMOTE Dalam Menangani High Dimensional dan Imbalance Data Banjir,” Teknika, vol. 13, no. 2, pp. 273–282, 2024, doi: 10.34148/teknika.v13i2.876.

[17] T. Ridwansyah, “Implementasi Text Mining Terhadap Analisis Sentimen Masyarakat Dunia Di Twitter Terhadap Kota Medan Menggunakan K-Fold Cross Validation Dan Naïve Bayes Classifier,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 2, no. 5, pp. 178–185, 2022, doi: 10.30865/klik.v2i5.362.

[18] W. Yulita, “Analisis Sentimen Terhadap Opini Masyarakat Tentang Vaksin Covid-19 Menggunakan Algoritma Naïve Bayes Classifier,” J. Data Min. dan Sist. Inf., vol. 2, no. 2, p. 1, 2021, doi: 10.33365/jdmsi.v2i2.1344.

[19] N. S. Fauziah and R. D. Dana, “Implementasi Algoritma Naive bayes dalam Klasifikasi Status Kesejahteraan Masyarakat Desa Gunungsari,” Blend Sains J. Tek., vol. 1, no. 4, pp. 295–305, 2023, doi: 10.56211/blendsains.v1i4.234.

[20] B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix,” J. Inform. Upgris, vol. 6, no. 2, pp. 66–75, 2021, doi: 10.26877/jiu.v6i2.6552.