Analisis Perbandingan Algoritma Naïve Bayes dan K-NN Dalam Menentukan Kepuasan Masyarakat Terhadap Pelayanan RSUD Minas
Abstract
Tingkat kepuasan masyarakat terhadap layanan kesehatan merupakan ukuran penting untuk mengukur keberhasilan dalam penyediaannya. Metode data mining dapat digunakan untuk menilai tingkat kepuasan ini. Penelitian ini menggunakan algoritma Naïve Bayes dan K-Nearest Neighbor untuk menghitung kepuasan masyarakat di Rumah Sakit Umum Daerah Minas, yang bertujuan untuk membandingkan efektivitas kedua metode tersebut. Sebanyak 111 respon kuesioner dikumpulkan dari masyarakat, dengan fokus pada atribut-atribut seperti Fasilitas, Kehandalan, Daya Tanggap, Jaminan, dan Empati. Evaluasi metode dilakukan dengan menggunakan confusion matrix yang diimplementasikan dalam pemrograman Python, untuk memastikan hasil yang ingin diperoleh. Hasil penelitian menunjukkan bahwa dengan validasi split 70%, metode Naïve Bayes mencapai tingkat akurasi sebesar 88,00%, dan metode K-Nearest Neighbor menghasilkan tingkat akurasi tertinggi, yaitu 94,00%. Sementara itu, dengan validasi split 80%, Naïve Bayes memperoleh nilai akurasi sebesar 83.00%, dan K-Nearest Neighbor memperoleh nilai akurasi tinggi sebesar 91.00%.
Downloads
References
K. R. Dasaryandi, Y. Arif, and E. Roza Wijaya, “Kepuasan Masyarakat TerhadapPelayanan Rumah Sakit Rujukan di Provinsi KepulauanRiau Tahun 2019,” 2019.
M. Devega, “Web-Based Online Queue Design at Puskesmas Siak Hulu I Kabupaten Kampar-Riau,” Sinkron, vol. 7, no. 1, pp. 120–127, Jan. 2022, doi: 10.33395/sinkron.v7i1.11247.
K. Hadiono, M. Taufiq Anwar, F. Teknologi Informasi, and U. Stikubank, “ANALISIS PERBANDINGAN KLASIFIKASI PREDIKSI PENYAKIT HEPATITIS DENGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR, NAÏVE BAYES DAN NEURAL NETWORK,” Jurnal DINAMIK, vol. 24, no. 2, 2019.
N. Rathore, P. K. Jain, and M. Parida, “A Sustainable Model for Emergency Medical Services in Developing Countries: A Novel Approach Using Partial Outsourcing and Machine Learning,” Risk Manag Healthc Policy, vol. 15, pp. 193–218, 2022, doi: 10.2147/RMHP.S338186.
D. Pramana and M. Mustakim, “Prediksi Status Penanganan Pasien Covid-19 dengan Algoritma Naïve Bayes Classifier di Provinsi Riau,” Dec. 2021, doi: 10.30865/json.v3i2.3570.
A. Rozaqi, A. Triayudi, and R. T. Aldisa, “Analisis Sentimen Vaksinasi Booster Berdasarkan Twitter Menggunakan Algoritma Naïve Bayes dan K-NN,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 4, no. 1, p. 184, Oct. 2022, doi: 10.30865/json.v4i1.4907.
D. Azzahra Nasution, H. H. Khotimah, and N. Chamidah, “PERBANDINGAN NORMALISASI DATA UNTUK KLASIFIKASI WINE MENGGUNAKAN ALGORITMA K-NN,” 2019.
M. Siddik, R. Noratama Putri, and Y. Desnelita, “CLASSIFICATION OF STUDENT SATISFACTION ON HIGHER EDUCATION SERVICES USING NAÏVE BAYES ALGORITHM,” Journal of Information Technology and Computer Science (INTECOMS), vol. 3, no. 2, 2020.
A. Prayoga Permana, K. Ainiyah, and K. Fahmi Hayati Holle, “Analisis Perbandingan Algoritma Decision Tree, kNN, dan Naive Bayes untuk Prediksi Kesuksesan Start-up,” 2021. [Online]. Available: https://www.kaggle.com/manishkc06/startup-success-prediction.
mastuhin, E. Lailatun Fraehantini, and M. Nonsi Tentua, “Klasifikasi Tingkat Kebahagiaan Masyarakat dengan Metode K-NearestNeighbor (KNN),” Mar. 2020, doi: 10.1017/CBO9781107415324.004.
