Penerapan Algoritma Naïve Bayes Untuk Memprediksi Kondisi Kelahiran Bayi

Abstrak

Kondisi kelahiran bayi merupakan salah satu indikator penting dalam menilai risiko kesehatan ibu dan anak. Penelitian ini bertujuan mengembangkan model prediksi risiko kelahiran bayi menggunakan algoritma Naïve Bayes dengan pendekatan Cross Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahapan Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Dataset yang digunakan terdiri dari 634 data ibu hamil yang diperoleh dari Puskesmas Bungbulang, Kabupaten Garut. Penelitian ini menguji tiga variasi praproses data, yaitu One Hot Encoding, Label Encoding, dan Min-Max Scaling. Hasil evaluasi menunjukkan bahwa seluruh model Naïve Bayes memberikan performa yang tinggi dengan akurasi di atas 94%. Di antara ketiganya, model dengan Min-Max Scaling menghasilkan kinerja paling optimal dengan akurasi sebesar 95,4%, precision 95,7%, recall 94,5%, F1-Score 95,0%, serta AUC mencapai 100%. Temuan ini menunjukkan bahwa penerapan Min-Max Scaling pada algoritma Naïve Bayes efektif dalam meningkatkan performa prediksi sekaligus memberikan keseimbangan pada metrik evaluasi. Hasil penelitian ini diharapkan dapat mendukung identifikasi dini terhadap risiko kelahiran bayi serta berkontribusi pada pengambilan keputusan dalam layanan kesehatan ibu dan anak.

Identifier

• OpenAlex: https://openalex.org/W7163161753
• DOI: https://doi.org/10.33364/algoritma/v.23-1.3247