Implementasi Klasifikasi Dosis Obat Pil Menggunakan Naive Bayes Pada Penyakit Gagal Jantung
Abstract
Penyakit gagal jantung memerlukan pengelolaan dosis obat yang tepat untuk meningkatkan efektivitas pengobatan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi dosis obat menggunakan algoritma Naive Bayes dengan pendekatan Gaussian dan Multinomial, serta meningkatkan performa model dengan teknik oversampling SMOTE dan VAE. Data pasien diklasifikasikan berdasarkan usia, jenis kelamin, berat badan, riwayat penyakit, metabolisme, dan toleransi obat. Implementasi sistem dilakukan melalui GUI berbasis Tkinter, memungkinkan pengguna memasukkan data pasien dan mendapatkan prediksi dosis obat yang sesuai. Hasil evaluasi menunjukkan bahwa kombinasi Naive Bayes dengan SMOTE memberikan performa terbaik dengan akurasi 73,90%, presisi 74,99%, recall 73,36%, dan F1-score 73,90%. Metode VAE memiliki performa lebih rendah dibandingkan SMOTE. Analisis lebih lanjut menunjukkan bahwa Bernoulli Naive Bayes memiliki akurasi tertinggi dalam klasifikasi tanpa oversampling, sementara model Naive Bayes standar kurang efektif dalam menangani data multi-label. Kesimpulannya, pendekatan Naive Bayes dengan oversampling SMOTE dapat meningkatkan akurasi prediksi dosis obat bagi pasien gagal jantung dan dapat digunakan sebagai alat bantu dalam pengambilan keputusan klinis.
Kata kunci— Naive Bayes, Klasifikasi dosis obat, Gagal Jantung, SMOTE, VAE, GUI