OPTIMASI PARTICLE SWARM OPTIMIZATION PADA NAÏVE BAYES UNTUK PREDIKSI KONDISI KELAHIRAN BAYI

Tehnik data mining dapat digunakan dalam berbagai bidang salah satunya dalam aspek data mining, buat memperkirakan sebuah penyakit dari data rekam medis pasien. Teknik riset yang dipakai pada riset ini mengikuti berbagai tahapan model “Cross-Industry Standard Process Data Mining” (CRISP-DM). Melalui metode klasifikasi dalam data mining, atribut data seperti usia, tekanan darah, berat badan, posisi janin, dan tinggi fundus uteri bisa dipakai buat memperkirakan kemungkinan penyakit pasien. Maka dari itu, peneliti menggunakan metode klasifikasi Naive Bayesian dan optimasi “Particle Swarm Optimization” (PSO) untuk prediksi kelahiran bayi guna mengecek prediksi status kelahiran bayi. Dari hasil prediksi itu bisa dipakai buat menetapkan rata-rata hasil kelahiran bayi setiap bulannya. Data yang kami pakai adalah jumlah ibu hamil 165. Selama pengujian digunakan perhitungan akurasi, akurasi, recall, dan AUC chart, dan model prediksi dievaluasi menggunakan 10 “fold cross-validation”. Dengan nilai akurasi 91,82% dan precission 100% serta recall 81,50% dan nilai AUC 0.90 termasuk kategori excellent classification pada model yang diujika