##plugins.themes.academic_pro.article.main##
Perbandingan Metode Naive Bayes Yang Dioptimalkan Dengan Algoritma Genetika Untuk Prioritas Pasien
Abstract
Penentuan prioritas pasien di Instalasi Gawat Darurat (IGD) merupakan proses krusial yang rentan terhadap keterbatasan sumber daya dan subjektivitas pengambilan keputusan. Penelitian ini bertujuan membandingkan kinerja model Naïve Bayes dengan Naïve Bayes yang dioptimasi menggunakan Algoritma Genetika (NB+GA) dalam klasifikasi prioritas pasien (Red, Orange, Yellow, Green). Dataset yang digunakan berasal dari Kaggle Patient Priority Classification dengan 17 fitur demografis dan klinis, dibagi menjadi 80% data latih dan 20% data uji. Hasil evaluasi menunjukkan adanya ketidakseimbangan data, terutama pada kelas “Yellow”. Model Naïve Bayes menghasilkan akurasi 64% dengan Precision 0,44, Recall 0,69, dan F1-Score 0,44. Setelah optimasi, Algoritma Genetika menyeleksi 8 fitur paling relevan dan meningkatkan performa model NB+GA dengan akurasi 96%, Precision 0,87, Recall 0,80, dan F1-Score 0,81. Hasil ini membuktikan bahwa Algoritma Genetika efektif meningkatkan kinerja Naïve Bayes dan berpotensi sebagai sistem pendukung keputusan triase yang objektif di IGD.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
T. N. Egoda Kapuralalage, H. F. Chan, U. Dulleck, J. A. Hughes, B. Torgler, and S. Whyte, “Clinical decision-making: Cognitive biases and heuristics in triage decisions in the emergency department,” American Journal of Emergency Medicine, vol. 92, pp. 60–67, Jun. 2025, doi: 10.1016/j.ajem.2025.02.043.
I. Khairina, H. Malini, E. Huriani, B. Keperawatan Medikal Bedah-Keperawatan Gawat Darurat Fakultas Keperawatan Universitas Andalas ABSTRAK Kata kunci, F. Dominan Keselamatan Pasien Triase, and P. Fakultas Keperawatan, “Faktor-Faktor yang Berhubungan dengan Pengambilan Keputusan Perawat dalam Ketepatan Triase di Kota Padang,” Indonesian Journal for Health Sciences, vol. 02, no. 01, pp. 1–6, 2018, [Online]. Available: http://journal.umpo.ac.id/index.php/IJHS/.
T. Dzulkarnain, D. E. Ratnawati, and B. Rahayudi, “Penggunaan Metode Naïve Bayes Classifier pada Analisis Sentimen Penilaian Masyarakat Terhadap Pelayanan Rumah Sakit di Malang,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 5, pp. 993–1000, Oct. 2024, doi: 10.25126/jtiik.2024117979.
M. Moustapha Mbaye, F. M H Abu Salem, and N. Tahiri, “A new machine learning workflow to create an optimal waiting list in hospitals,” in ACM International Conference Proceeding Series, Association for Computing Machinery, May 2023, pp. 159–163. doi: 10.1145/3608298.3608328.
H. A. Aly, "Patient Priority for Clustering," Kaggle Dataset, 2023. [Online]. Available: https://www.kaggle.com/datasets/hossamahmedaly/patient-priority-classification
M. Agustriya, M. Ula, and K. -, “Analisis Kinerja Algoritma Klasifikasi Naïve Bayes Menggunakan Genetic Algorithm dan Bagging untuk Data Publik Risiko Transaksi Kartu Kredit,” Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 12, no. 3, p. 584, Jul. 2024, doi: 10.26418/justin.v12i3.80136.
Y. Arkeman, K. B. Seminar, and H. Gunawan, Algoritma Genetika: Teori dan Aplikasinya untuk Bisnis dan Industri. Bogor: PT Penerbit IPB Press, 2012.
F. Sabry, Naive Bayes Classifier: Fundamentals and Applications. One Billion Knowledgeable, 2023.
T. F. G. da Silva, A. G. Evsukoff, and R. M. E. M. da Costa, “A comparative study of classification algorithms for imbalanced data in sentiment analysis,” in Proceedings of the IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2021, pp. 2632–2637. doi: 10.1109/SMC52423.2021.9658663.
E. Winaryati, M. Munsarif, M. Mardiana, and S. Suwahono, Model-Model Evaluasi, Aplikasi dan Kombinasinya. Bantul, Yogyakarta: Penerbit KBM Indonesia, 2021.
