Analisis Risiko Penyebaran Penyakit Demam Berdarah Menggunakan Algoritma Naive Bayes
DOI:
https://doi.org/10.65244/jggengineering.v2i2.935Keywords:
Demam Berdarah, Naive Bayes, Machine Learning, EpidemiologiAbstract
Demam Berdarah Dengue (DBD) merupakan salah satu penyakit menular yang masih menjadi permasalahan kesehatan masyarakat di Indonesia dan berbagai negara tropis. Penyakit ini disebabkan oleh virus dengue yang ditularkan melalui gigitan nyamuk Aedes aegypti. Tingginya jumlah kasus serta potensi terjadinya kejadian luar biasa (KLB) menunjukkan bahwa diperlukan metode analisis yang mampu mengidentifikasi pola risiko penyebaran penyakit secara sistematis dan akurat. Seiring berkembangnya teknologi informasi, pendekatan berbasis Machine Learning mulai dimanfaatkan dalam bidang kesehatan, khususnya dalam analisis data epidemiologi. Machine Learning memungkinkan sistem komputer untuk mempelajari pola dari data historis dan menghasilkan prediksi yang dapat digunakan sebagai dasar pengambilan keputusan. Salah satu algoritma yang sering digunakan adalah Naive Bayes yang bekerja berdasarkan teori probabilitas Bayes dengan asumsi bahwa setiap variabel bersifat independen. Dalam penelitian ini digunakan algoritma Naive Bayes untuk menganalisis risiko penyebaran penyakit Demam Berdarah berdasarkan beberapa faktor yang mempengaruhi, seperti kondisi lingkungan, kepadatan penduduk, serta data historis kasus penyakit. Metode ini diharapkan mampu menghasilkan model klasifikasi yang dapat membantu dalam proses pengambilan keputusan terkait pencegahan dan pengendalian penyakit DBD.
Downloads
References
[1] World Health Organization, “Dengue and Severe Dengue,” Geneva, Switzerland, 2024.
[2] Kementerian Kesehatan Republik Indonesia, Profil Kesehatan Indonesia 2023. Jakarta: Kementerian Kesehatan RI, 2024.
[3] T. M. Mitchell, Machine Learning. New York, NY, USA: McGraw-Hill, 1997.
[4] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Burlington, MA, USA: Morgan Kaufmann, 2012.
[5] E. Alpaydin, Introduction to Machine Learning, 4th ed. Cambridge, MA, USA: MIT Press, 2020.
[6] S. Raschka and V. Mirjalili, Python Machine Learning, 3rd ed. Birmingham, UK: Packt Publishing, 2019.
[7] A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd ed. Sebastopol, CA, USA: O’Reilly Media, 2019.
[8] F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.
[9] I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4th ed. Burlington, MA, USA: Morgan Kaufmann, 2016.
[10] T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning, 2nd ed. New York, NY, USA: Springer, 2009.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Nisa Cherani Sutansi, Dede Brahma Arianto (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with Journal of Golden Generation Engineering agree to the following terms:
- Authors retain copyright and grant the Journal of Golden Generation Engineering right of first publication with the work simultaneously This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors can enter into separate, additional contractual arrangements for the non-exclusive distribution of the published version of the work (e.g., post it to an institutional repository or edit it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) before and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
