Volume XXI No.

1 Maret 2019
P-ISSN 1410-5063, E-ISSN: 2579-3500
Akreditasi Ristekdikti, No: 21/E/KPT/2018
http://ejournal.bsi.ac.id/ejurnal/index.php/paradigma DOI: 10.31294/p.v20i2

Implementasi Algoritma Naïve Bayes Pada Data Set Hepatitis

Menggunakan Rapid Miner
Deny Novianti

STMIK Nusa Mandiri Jakarta

e-mail: [email protected]

Cara Sitasi: Novianti, D. (2019, Maret). Implementasi Algoritma Naïve Bayes Pada Data Set Hepatitis
Menggunakan Rapid Miner. (S. Dalis, Ed.) Paradigma - Jurnal Komputer dan Informatika, 21(1).
doi:10.31294/p.v21i1.4979

Abstract - One of the diseases anticipated by doctors is hepatitis. This is because if the patient is not detected
from the beginning having hepatitis, then the disease will develop into liver cancer. It can be seen that cancer is
one of the deadliest diseases in the world that there are no drugs used for healing. By utilizing this increasingly
developing science, researchers try to predict or classify whether a patient has suffered from hepatitis sickness
based on the results of tests that have been undertaken before. One data mining technique can be used to predict
Hepatitis and the method used is Naive Bayes. The data used is sourced from the UCI Repository with the web
address https://archive.ics.uci.edu/ml/datasets/Hepatitis . The amount of data available is 155 data with 123
patients with Life hepatitis and 32 patients with Die hepatitis. The attributes contained in this hepatitis dataset
are: Age, Sex, Steroids, Antivirals, Fatigue, Malaise, Anorexia, Big Liver, Liver Firm, Spleen Palpable, Spiders,
Ascites, Varices, Bilirubin, Alk Phosphate, Sgot, Albumin, Protime, Histology , and Class (predictive result
attribute). From the results of the research that has been done, it can be concluded that the Naive Bayes method
includes an accurate algorithm to predict because the results of accuracy using Rapid Miner show more than
50% which is equal to 76.77%. With the highest Precision Class results of 98.88% for "Life" predictions, and
Class Recall of 96.88% for "Die" Predictions.

Keywords: Algorithms, Data Mining, Hepatitis, Naive Bayes, Rapid Miner

PENDAHULUAN Indonesia, yang terdiri dari Hepatitis A, B, C, D, dan

E. Hepatitis A dan E sering muncul sebagai kejadian
Dengan berkembangnya teknologi yang semakin luar biasa, ditularkan secara fecal oral dan biasanya
pesat pada saat ini, menjadikan banyak hal yang berhubungan dengan perilaku Life bersih dan sehat,
sebelumnya sulit untuk diprediksi menjadi mudah bersifat akurat dan dapat sembuh dengan baik.
untuk diprediksi. Dengan memanfaatkan ilmu Sedangkan Hepatitis B, C, dan D (jarang) ditularkan
pengetahuan yang ada dan didukung oleh data yang secara parenteral, dapat menjadi kronis dan
sesuai, maka untuk memprediksi suatu hal bukan menimbulkan cirrhosis dan lalu kanker hati. Virus
lagi menjadi hal yang sulit. Di bidang pemerintahan, Hepatitis B telah menginfeksi sejumlah 2 milyar
pendidikan, dan juga kesehatan kini sudah mulai orang di dunia, sekitar 240 juta orang diantaranya
memanfaatkan teknologi yang semakin berkembang menjadi pengidap Hepatitis B kronik, sedangkan
ini. Terutama dalam bidang kesehatan, yang untuk penderita Hepatitis C di dunia diperkirakan
digunakan untuk mengklasifikasikan apakah sang sebesar 170 juta orang. Sebanyak 1,5 juta penduduk
pasien terdiagnosa dengan benar memiliki sebuah dunia meninggal setiap tahunnya karena Hepatitis
penyakit berdasarkan hasil tes yang telah dijalani. (Kementrian Kesehatan RI : 2014, n.d.)

Beberapa tahun ini, penyakit yang di antisipasi oleh Dengan memanfaatkan ilmu pengetahuan yang
para dokter salah satunya adalah penyakit Hepatitis. semakin berkembang ini lah para peneliti berusaha
Hal tersebut disebabkan jika sang pasien tidak untuk memprediksi atau mengklasifikasikan apakah
terdeteksi sejak awal memiliki penyakit hepatitis, seorang pasien telah menderita sakit hepatitis
maka penyakit tersebut akan berkembang menjadi berdasarkan hasil tes yang telah dijalani sebelumnya.
penyakit kanker hati. Dapat diketahui bahwa kanker Beberapa hasil penelitian terdahulu dapat
merupakan salah satu penyakit mematikan di dunia disimpulkan bahwa algoritma Naive Bayes dapat
yang belum ada obat yang digunakan untuk digunakan untuk meneliti prediksi penyakit
penyembuhannya. Penyakit Hepatitis merupakan Hepatitis. Sistem diagnosis penyakit hati
masalah kesehatan masyarakat di dunia termasuk di menggunakan metode Naïve Bayes dapat

Diterima: 2019-01-23, Direvisi: 2019-03-04, Disetujui: 2019-03-13 49

Paradigma – Jurnal Informatika dan Komputer, XXI No. 1 Maret 2019
P-ISSN 1410-5063, E-ISSN: 2579-3500

diimplementasikan dengan 3 proses utama yaitu sedikit dari jumlah penderita sesungguhnya.
menghitung nilai prior atau peluang penyakit, Mengingat penyakit ini adalah penyakit kronis yang
menghitung likelihood berdasarkan masukkan menahun, dimana pada saat orang tersebut telah
pengguna, serta menghitung posterior yang terinfeksi, kondisi masih sehat dan belum
diperoleh dari perkalian antara prior dan likelihood. menunjukkan gejala dan tanda yang khas, tetapi
Nilai posterior tertinggi akan diambil sebagai penularannya terus berjalan (Kementrian Kesehatan
keputusan akhir sistem. Pengujian akurasi RI : 2014, n.d.)
memperoleh hasil akurasi sebesar 87,5% dari 40
data uji terdapat lima ketidakcocokan antara hasil 2. Diagnosis
sistem dengan hasil diagnosis dokter, Diagnosis adalah suatu analisis terhadap kelainan
ketidakcocokan terjadi disebabkan karena gejala atau salah penyesuaian dari pola gejala-gejalanya.
dimiliki oleh dua penyakit sedangkan sistem hanya Sama dengan istilah dalam dunia kedokteran,
dapat mendiagnosis dengan output satu penyakit diagnosis merupakan kegiatan untuk menentukan
(Prayoga, Hidayat, & Dewi, 2018). Metode naive jenis penyakit dengan meneliti gejala-gejalanya.
Bayes dapat digunakan dalam memprediksi risiko Berdasarkan hal tersebut diagnosis merupakan
seseorang terkena penyakit jantung. Ketepatan hasil proses pemeriksaan terhadap hal-hal yang dianggap
prediksi terhadap hasil pengklasifikasian risiko tidak beres atau bermasalah (Suryanih, 2011).
penyakit jantung berdasarkan data yang didapatkan
dari RSUD AWS bulan November dan Desember Menurut (Kajian Pustaka, n.d.), diagnosis dapat
2016 menggunakan program Delphi 7 Enterprise diartikan sebagai:
yaitu untuk percobaan 1 dengan jumlah data testing a. Upaya atau proses menemukan kelemahan atau
sebanyak 25 data didapat tingkat akurasi sebesar penyakit (weakness, disease) apa yang dialami
80% dan pada percobaan 2 dengan jumlah data seorang dengan melalui pengujian dan studi yang
testing sebanyak 50 data diperoleh tingkat akurasi saksama mengenai gejala-gejalanya (symptons)
sebesar 78% (Sabransyah, Nasution, & Tisna, 2017). b. Studi yang saksama terhadap fakta tentang suatu
Didapatkan bahwa ketepatan klasifikasi hal untuk menemukan karakteristik atau kesalahan
menggunakan model Naive Bayes pada penelitian ini dan sebagainya yang esensial
yaitu sebesar 93% atau memiliki error sebesar 7% c.Keputusan yang dicapai setelah dilakukan suatu
(Ria Amora dan Akhmad Fauzy. 2016). Maka dari studi yang saksama atas gejala-gejala atau fakta
itu disimpulkan bahwa metode Naive Bayes dapat tentang suatu hal.
digunakan dalam melakukan prediksi untuk penyakit
hepatitis. Dalam membangun sistem diagnosis 3. Data Mining
penyakit kambing, metode yang digunakan adalah Data mining, sering juga disebut Knowledge
Naive Bayes. Proses dimulai dengan menerima Discovery In Database (KDD) adalah kegiatan yang
inputan fakta kemudian dihitung dengan metode meliputi pengumpulan, pemakaian data historis
Naive Bayes. Akurasi pengujian sistem untuk menemukan keteraturan, pola atau hubungan
implementasi metode Naive Bayes untuk diagnosis dalam data berukuran besar. Keluaran dari data
penyakit kambing sebesar 90%. Ini dikarenakan mining ini bisa dipakai untuk memperbaiki
metode Naive Bayes hanya melakukan perhitungan pengambilan keputusan di masa depan. Saat ini
berdasarkan data latih dan inputan dalam sistem istilah pengenalan pola (pattern recognition) jarang
yang dibuat hanya berjumlah 4 inputan (Prayoga et digunakan karena ia termasuk bagian dari data
al., 2018). Untuk mengimplementasikan metode mining (Prasetyo, 2012).
Naïve Bayes data-data harus terlebih dahulu
dikonversi menjadi bentuk diskrit dengan cara Berdasarkan fungsinya, data mining dikelompokkan
dikelompok-kelompokkan. Dengan menerapkan menjadi 6 yaitu deskripsi, estimasi, prediksi,
metode Naïve Bayes pada aplikasi prediksi maka klasifikasi, clustering, danasosiasi (Larose, 2005).
didapatlah tingkat akurasi sebesar 82,97% (Bari, Klasifikasi (taksonomi) adalah proses menempatkan
Sitorus, & Ristian, 2018). objek tertentu (konsep) dalam satu set kategori,
berdasarkan masing-masing objek (konsep)
1. Hepatitis property (Gorunescu, 2011). Proses klasifikasi
Istilah “Hepatitis” dipakai untuk semua jenis didasarkan pada empat komponen mendasar yaitu
peradangan pada sel-sel hati, yang bisa disebabkan kelas, prediktor, training set, dan pengujian dataset.
oleh infeksi (virus, bakteri, parasit), obat-obatan Diantara model klasifikasi yang paling popular
(termasuk obat tradisional), konsumsi alkohol, adalah Decision/Classification Trees, Bayesian
Classifiers/Naïve Bayes Classifiers, Neural
lemak yang berlebih dan penyakit autoimmune. Ada
Networks, Statistical Analysis, Genetic Algorithms,
5 jenis Hepatitis Virus yaitu Hepatitis A, B, C, D,
Rough Sets, K-Nearest Neighbor Classifier, Rule-
dan E. Antara Hepatitis yang satu dengan yang lain based Methods, Memory Based Reasoning, Support
tidak saling berhubungan. Hepatitis virus merupakan Vector Machines (Gorunescu, 2011).
sebuah fenomena gunung es, dimana penderita yang
tercatat atau yang datang ke layanan kesehatan lebih

50 Implementasi Algoritma Naïve Bayes Pada Data Set Diagnosa Penyakit Hepatitis...
 Paradigma – Jurnal Informatika dan Komputer, XXI No. 1 Maret 2019
P-ISSN 1410-5063, E-ISSN: 2579-3500

4. Metode Klasifikasi 6. Rapid Miner

Klasifikasi adalah proses untuk menemukan model Rapid Miner adalah sebuah tools yang digunakan
atau fungsi yang menjelaskan atau membedakan dalam teknik yang berada di lingkungan machine
konsep atau kelas data, dengan tujuan untuk dapat learning, data mining, text mining dan predictive
memperkirakan kelas dari suatu objek yang labelnya analytics (Muslehatin & Ibnu, 2017).
tidak diketahui. Dalam mencapai tujuan tersebut,
proses klasifikasi membentuk suatu model yang Rapid Miner merupakan software/perangkat lunak
mampu membedakan data ke dalam kelas-kelas untuk pengolahan data. Dengan menggunakan
yang berbeda berdasarkan aturan atau fungsi prinsip dan algoritma data mining, RapidMiner
tertentu. Model itu sendiri bisa berupa aturan “jika- mengekstrak pola-pola dari data set yang besar
maka”, berupa pohon keputusan, atau formula dengan mengkombinasikan metode statistika,
matedies (Bustami, 2014). kecerdasan buatan dan database. Rapid Miner
memudahkan penggunanya dalam melakukan
perhitungan data yang sangat banyak dengan
Input Output menggunakan operator-operator. Operator ini
berfungsi untuk memodifikasi data. Data
Clasification dihubungkan dengan node-node pada operator
Atribut Set (X) Class Label (Y) kemudian kita hanya tinggal menghubungkannya ke
Model node hasil untuk melihat hasilnya. Hasil yang
diperlihatkan Rapid Miner pun dapat ditampilkan
secara visual dengan grafik. Menjadikan
Gambar 1. Diagram Model Klasifikasi RapidMiner adalah salah satu software pilihan untuk
melakukan ekstraksi data dengan metode-metode
data mining Brilian Rahmat C.T.I. (I et al., 2017).
5. Metode Naive Bayes
Teori keputusan bayes adalah pendekatan statistik
yang fundamental dalam pengenalan pola (pattern METODOLOGI PENELITIAN
recognition) , pendekatan ini didasarakan pada
kuantifikasi trade-off antara berbagai keputusan Penelitian menggunakan algoritma Naive Bayes dan
klasifikasi dengan menggunakan probabilitas dan dalam menghitung performa dari algoritmanya
ongkos yang di timbulkan dalam keputusan tersebut digunakan software Rapid Miner. Data yang
[9]. Selain itu Bayesian clasification juga dapat digunakan adalah data set penyakit hepatitis dan
memprediksi probabilitas keanggotaan suatu Class termasuk data sekunder karena diperoleh dari UCI
pada teorema bayes yang memiliki kemampuan (Universitas California, Invene) Machine Learning
klasifikasi serupa dengan decision tree dan neural Repository yang ada pada web
network . Bayesian Classification terbukti memiliki https://archive.ics.uci.edu/ml/datasets/Hepatitis .
akurasi dan kecepatan yang tinggi saat diaplikasikan
ke dalam database dengan data yang besar (Jananto, Berikut langkah-langkah yang digunakan dalam
2013). penelitian ini:

Teorema Bayes memiliki bentuk umum sebagai Pengumpulan Data

berikut :
P(X|H) P(H)
P(H|X) = Pengolahan Data
P(X) ................(11)

Keterangan : Metode Yang Digunakan

X = Data dengan Class yang belum diketahui

H = Hipotesis data X merupakan suatu Class
Pengujian Metode
spesifik
P(H|X) = Probabilitas hipotesis H berdasarkan
kondisi x (posteriori prob.)
Hasil dan Kesimpulan
P(H) = Probabilitas hipotesis H (prior prob.)
P(X|H) = Probabilitas X berdasarkan kondisi
tersebut Gambar 2. Langkah-Langkah Penelitian
P(X) = Probabilitas dari X

Deny Novianti 51
Paradigma – Jurnal Informatika dan Komputer, XXI No. 1 Maret 2019
P-ISSN 1410-5063, E-ISSN: 2579-3500

1. Pengumpulan Data Tabel 1. Perhitungan Probabilitas Prior Keseluruhan

Teknik pengumpulan data merupakan langkah yang
paling strategis dalam penelitian, karena tujuan P(X|Ci)
Atribut Jumlah Life Die
utama dari penelitian adalah mendapatkan data Life Die
(Sugiyono, n.d.). Dan terdapat jenis sumber dalam Total Kasus 155 123 32 0,794 0,206
pengumpulan data, yaitu Data Primer yang artinya
Age 20-40 82 73 9 0,890 0,110
data yang diperoleh secara langsung dari objek
penelitian, sedangkan Data Sekunder adalah data Age 41-60 59 39 20 0,661 0,339
yang diperoleh dari literature, buku referensi, Age 61-80 14 11 3 0,786 0,214
maupun browsing internet (Andi Prastowo, 2012). Steroid = No 76 56 20 0,737 0,263
Dan sumber data yang digunakan dalam penelitian Steroid = Yes 79 67 12 0,848 0,152
ini disebut data sekunder, karena data ini diperoleh Malaise =
dari UCI Repository dengan alamat web 61 38 23 0,623 0,377
No
https://archive.ics.uci.edu/ml/datasets/Hepatitis . Malaise =
94 85 9 0,904 0,096
Yes
Data tersebut didonasikan oleh G.Gong (Carnegie- Liver Big =
25 22 3 0,880 0,120
Mellon University) via Bojan Cestnik di Yugoslavia No
pada 01 November 1988. Jumlah data yang ada LiverBig=
130 101 29 0,777 0,223
sebanyak 155 data dengan 123 pasien penyakit Yes
hepatitis yang Life dan 32 pasien penyakit hepatitis Spiders = No 51 29 22 0,569 0,431
yang Die. Atribut yang terdapat pada dataset Spiders =
104 94 10 0,904 0,096
hepatitis ini yaitu: Age, Sex, Steroid, Antivirals, Yes
Fatigue, Malaise, ANorexia, Liver Big, Liver Firm, Varices = No 18 7 11 0,389 0,611
Spleen Palpable, Spiders, Ascites, Varices, Varices =
137 116 21 0,847 0,153
Bilirubin, Alk Phosphate, Sgot, Albumin, Protime, Yes
Histology, dan Class (atribut hasil prediksi).
Untuk menentukan kelas manakah yang akan
2. Pengolahan Data digunakan dalam perhitungan selanjutnya, maka
Teknik yang digunakan dalam pengolahan data ini data yang akan digunakan hanyalah sample dari data
yang ada. Data tersebut disebut data probabilitas
adalah menggolongkan data berdasarkan hasil dari
posterior karena datanya bersumber dari data prior
atribut Class. Dan data yang diperoleh adalah
yang telah dihitung sebelumnya.
sebanyak 155 data dengan 123 berada di Class
“Life” dan 32 data berada di Class “Die”. Tabel 2. Probabilitas Posterior
3. Metode Yang Digunakan Atribut Nilai Life Die
Metode yang digunakan dalam penelitian ini adalah
Total
metode klasifikasi data mining algoritma Naive 155 0,794 0,206
Kasus
Bayes. Perhitungan manual menggunakan Excel dan
juga pengujian model menggunakan Aplikasi Rapid Age 20-40 0,890 0,110
Miner dan nantinya akan diakurasikan apakah
hasilnya akan sama atau berbeda dalam Steroid No 0,737 0,263
memprediksi penyakit hepatitis.
Malaise No 0,623 0,377

HASIL DAN PEMBAHASAN Liver Big Yes 0,777 0,223

Pada tahap ini dilakukan pengujian metode Naive Spiders Yes 0,904 0,096
Bayes yang akan digunakan untuk memprediksi
penyakit hepatitis. Langkah-langkah yang dilakukan Varices No 0,389 0,611
adalah untuk menghitung nilai probabilitas nilai
“Life” dan “Die” dari masing-masing atribut pada
total kasus “Life” dan “Die” dari keseluruhan data.
Berdasarkan tabel di atas, maka dapat dihitung
probabilitas dari tiap atribut yang ada.

1. Perhitungan Probabilitas “Life” untuk setiap

atribut:
= 0,794*0,890*0,737*0,623*0,777*0,904*0,389
= 0,0885541

52 Implementasi Algoritma Naïve Bayes Pada Data Set Diagnosa Penyakit Hepatitis...
 Paradigma – Jurnal Informatika dan Komputer, XXI No. 1 Maret 2019
P-ISSN 1410-5063, E-ISSN: 2579-3500

2. Perhitungan Probabilitas “Die” untuk setiap KESIMPULAN

atribut:
= 0,206*0,110*0,263*0,377*0,223*0,096*0,611 1. Metode Naive Bayes termasuk algoritma yang
= 2,9472E-05 akurat untuk memprediksi karena hasil akurasi
menggunakan Rapid Miner menunjukkan lebih dari
3. Perbandingan Probabilitas Antara “Life” dan 50% yaitu sebesar 76.77%. Dengan hasil Class
“Die” Precision yang tertinggi sebesar 98.88% untuk
Probabilitas Life = 0,0885541 prediksi “Life”, dan Class Recall sebesar 96.88%
Probabilitas Die = 2,9472E-05 untuk Prediksi “Die”.
2. Dapat digunakan metode algoritma klasifikasi
Dikarenakan 0,0885541 lebih besar dari 2,9472E-05,
yang lain untuk mengembangkan penelitian ini
maka dapat disimpulkan bahwa data testing tersebut
seperti metode C4.5, KNN, SVM, dan lain-lain.
termasuk klasifikasi “Life”.
3. Dapat juga penelitian ini menggunakan dua atau
lebih metode algoritma sekaligus untuk mengetahui
Pengujian Probabilitas Menggunakan Rapid Miner:
algoritma manakah yang hasilnya lebih akurat.

REFERENSI

Andi Prastowo. (2012). Metode Penelitian Kualitatif

dalam Perspektif Rancangan Penelitian.
Yogyakarta.
Bari, M., Sitorus, S. H., & Ristian, U. (2018).
IMPLEMENTASI METODE NAÏVE BAYES
PADA APLIKASI PREDIKSI
PENYEBARAN WABAH PENYAKIT ISPA
( Studi Kasus : Wilayah Kota Pontianak ),
06(03), 205–214.
Bustami. (2014). PENERAPAN ALGORITMA
NAIVE BAYES, 8(1), 884–898.
Gorunescu, F. (2011). Data Mining: Concepts and
Techniques. Verlag berlin Heidelberg:
Gambar 3. Proses Pengujian Data Menggunakan
Springer.
Naive Bayes
I, B. R. C. T., Gafar, A. A., Fajriani, N., Ramdani,
U., Uyun, F. R., P, Y. P., & Ransi, N. (2017).
Berikut hasil perhitungan akurasi data training
Implemetasi k-means clustering pada
menggunakan Naive Bayes. Dapat diketahui tingkat
rapidminer untuk analisis daerah rawan
akurasinya sebesar 76.77%. Dari 155 data sebanyak
kecelakaan. Seminar Nasional Riset
88 data diprediksikan sesuai yaitu 88 data “Life” dan
Kuantitatif Terapan, (April), 58–62.
1 data yang diprediksikan “Life” tapi ternyata
Jananto, A. (2013). Algoritma Naive Bayes untuk
hasilnya “Die”. Dan sebanyak 35 data diprediksi
Mencari Perkiraan Waktu Studi Mahasiswa.
“Die” ternyata termasuk klasifikasi “Life” dan
Teknologi Informasi, 18(1), 9–16.
sebanyak 31 data diprediksi sesuai yaitu “Die”.
Kajian Pustaka. (n.d.). Bab ii kajian pustaka, 13–36.
Kementrian Kesehatan RI : 2014. (n.d.). Daftar
Tabel 3. Tabel Accuracy Naive Bayes
Pustaka 1 infodatin-hepatitis.pdf.
https://doi.org/24427659
Larose, D. T. (2005). Discovering Knowledge in
Databases. New Jersey: John Willey & Sons
Inc.
Muslehatin, W., & Ibnu, M. (2017). Penerapan
Naïve Bayes Classification untuk Klasifikasi
Tingkat Kemungkinan Obesitas Mahasiswa
Sistem Informasi UIN Suska Riau, 18–19.
Prasetyo, E. (2012). Data Mining: Konsep Dan
Aplikasi Mengunakan Matlab.
Prayoga, N. D., Hidayat, N., & Dewi, R. K. (2018).
Sistem Diagnosis Penyakit Hati Menggunakan
Metode Naïve Bayes, 2(8), 2666–2671.
Sabransyah, M., Nasution, Y. N., & Tisna, D.
(2017). Aplikasi Metode Naive Bayes dalam

Deny Novianti 53
Paradigma – Jurnal Informatika dan Komputer, XXI No. 1 Maret 2019
P-ISSN 1410-5063, E-ISSN: 2579-3500

Prediksi Risiko Penyakit Jantung Naive Bayes PROFIL PENULIS

Method for a Heart Risk Disease Prediction
Application. Jurnal EKSPONENSIAL, 8, 111– Deny Novianti, S.Kom
118. Lahir di Bekasi, 05 November
Sugiyono. (n.d.). Metode Penelitian Kuantitatif, 1994. Adalah salah satu
Kualitatif, dan R&D. Mahasiswa Berprestasi BSI yang
Suryanih. (2011). Diagnosis Kesulitan Belajar kini bekerja di Bagian
Matematika Siswa Dan Solusinya Dengan Pengembangan Dosen BSI sejak
Pembelajaran Remedial 2011 M / 1432 H. tahun 2017 – sekarang. Saat
ini penulis sedang melanjutkan
Studi S2 di STMIK Nusa Mandiri Jakarta jurusan
Ilmu Komputer.

54 Implementasi Algoritma Naïve Bayes Pada Data Set Diagnosa Penyakit Hepatitis...