Analisis Perbandingan Metode Support Vector Machine dan Naive Bayes dalam Klasifikasi Demam Berdarah di Puskesmas Sumbersari Jember

Abstract

Demam Berdarah (DB) merupakan salah satu penyakit endemis yang masih menjadi tantangan serius bagi sistem kesehatan di Indonesia, termasuk di wilayah Puskesmas Sumbersari, Jember. Peningkatan kasus Demam Berdarah (DB) menyebabkan meningkatnya beban kerja tenaga medis menjadi tinggi. Selain itu, kemiripan gejala DB dengan penyakit demam lainnya juga mempersulit proses diagnosis DB. Penelitian ini bertujuan guna membantu proses diagnosis DB dan mengurangi beban kerja tenaga medis menggunakan teknologi data mining dengan membandingkan kinerja dua algoritma klasifikasi, yaitu Naïve Bayes dan Support Vector Machine (SVM) berbasis kernel Radial Basis Function (RBF). Penelitian ini menggunakan data laboratorium pasien DB yang diperoleh dari Puskesmas Sumbersari dalam rentang waktu Januari hingga September 2024, dengan variabel utama seperti trombosit, PCV, dan HB, yang kemudian diolah melalui serangkaian tahapan preprocessing. yaitu Data Cleaning, Feature Creation, Data Transformation, dan Data Normalization. Hasil implementasi menunjukkan bahwa metode Naïve Bayes mampu mencapai akurasi sebesar 95,18%, precision 95,00%, recall 95,74%, dan F1-score 95,14%. Sementara itu, SVM menunjukkan performa yang lebih unggul dengan akurasi 96,38%, precision 96,48%, recall 96,16%, dan F1-score 96,30%. Berdasarkan hasil analisis, SVM menunjukkan performa unggul di seluruh metrik evaluasi, dengan gap akurasi 1,2%, precision 1,49%, recall 0,41%, dan F1-score 1,16%. Gap tersebut dibuktikan melalui performa SVM yang mencatat jumlah kesalahan klasifikasi lebih rendah (3 kasus) dibandingkan Naïve Bayes (4 kasus), serta keberhasilannya dalam memprediksi 80 dari 83 kasus dengan benar, sementara Naïve Bayes hanya mampu memprediksi 79 kasus secara tepat. Dengan demikian, Support Vector Machine merupakan metode terbaik yang dapat digunakan dalam klasifikasi Demam Berdarah di Puskesmas Sumbersari untuk membantu proses diagnosis dan mengurangi beban kerja tenaga medis.