Sistem Deteksi Penyakit Covid-19 Berdasarkan Gejala Awal Menggunakan Algoritma Naive Bayes Berbasis Android

Dede Kurniadi; Asri Mulyani; Diar Nur Rizky

doi:10.34148/teknika.v12i3.678

Dede Kurniadi Institut Teknologi Garut, Garut, Indonesia http://orcid.org/0000-0002-1455-2821
Asri Mulyani Institut Teknologi Garut, Garut, Indonesia
Diar Nur Rizky Institut Teknologi Garut, Garut, Indonesia

DOI: https://doi.org/10.34148/teknika.v12i3.678

Keywords: Sistem Deteksi, Covid-19, Extreme Programming, Python, Naive Bayes

Abstract

Data penelitian terakhir menunjukkan bahwa masyarakat merasa takut untuk melakukan pemeriksaan ke instansi kesehatan akibat kurangnya pengetahuan Covid-19, sehingga menyebabkan ketidak pedulian dalam aktivitas sehari-hari terhadap dampak dari situasi penyakit Covid-19. Oleh karena itu dibutuhkan sebuah aplikasi sistem deteksi gejala awal penyakit Covid-19 berbasis mobile. Tujuan dari penelitian ini membuat aplikasi sistem deteksi penyakit Covid-19 dengan menerapkan metode pengklasifikasian Naive Bayes sehingga mempermudah pengguna dalam melakukan tes mandiri gejala awal Covid-19. Metode perancangan yang digunakan adalah Extreme Programming (XP) yang terdiri dari planning, analysis, design, implementation, dan maintenance. Data yang digunakan terdiri dari 2 dataset yaitu dataset untuk pengklasifikasian penyakit Covid-19 dengan jumlah data sebanyak 44.453 dan dataset untuk pengklasifikasian varian Covid-19 berjumlah 128.769. Penelitian ini melakukan 2 kali pemodelan menggunakan Split Data dengan perbandingan 5:5 untuk klasifikasi penyakit Covid-19 dan perbandingan 3:7 untuk klasifikasi varian Covid-19. Hasil penelitian ini berhasil membangun Sistem deteksi penyakit Covid-19 berdasarkan gejala awal menggunakan algoritma Naive Bayes berbasis android dan telah mampu memprediksi penyakit Covid-19 ke dalam 4 class dengan nilai F1-Score yaitu Allergy 0,98, Cold 0,61, Covid 0,56, dan Flu 0,95, serta gejala yang paling berpengaruh pada class Allergy yaitu CS13 (Loss of taste) dengan nilai 0,50, class Cold yaitu CS3 (Tiredness) dengan nilai 0,52, class Covid yaitu CS12 (Difficulty breathing) dengan nilai 0,51, dan class Flu yaitu CS19 (Sneezing) dengan nilai 0,53, sistem yang dibangun juga mampu memprediksi varian Covid-19 ke dalam 3 class dengan nilai F1-Score yaitu alpha 0,85, delta 0,78, dan omicron 0,93, serta gejala yang paling berpengaruh pada class Alpha yaitu VS3 (Loss of appetite) dengan nilai 0,74, class Delta yaitu VS12 (Cough) dengan nilai 0,87, dan class Omicron yaitu VS10 (Sore throat) dengan nilai 0,67, juga aplikasi berhasil dan dapat dirancang dengan pendekatan Extreme Programming (XP).

Downloads

Download data is not yet available.

References

H. Jusuf, I. V. AMU, and V. AMU, “Pengaruh Kecemasan Terhadap Pemeriksaan Swab Pada Suspek Covid-19 Di Kota Gorontalo,” 2021.

E. Turban, D. King, J. K. Lee, T.-P. Liang, and D. C. Turban, Electronic Commerce - A Managerial and Social Perspective. 2015.

A. S. Kwekha-Rashid, H. N. Abduljabbar, and B. Alhayani, “Coronavirus disease (COVID-19) cases analysis using machine-learning applications,” Appl. Nanosci., no. 0123456789, 2021, doi: 10.1007/s13204-021-01868-7.

A. F. Al-zubidi, N. F. AL-Bakri, R. K. Hasoun, S. H. Hashim, and H. T. S. Alrikabi, “Mobile Application to Detect Covid-19 Pandemic by Using Classification Techniques: Proposed System,” Int. J. Interact. Mob. Technol., vol. 15, no. 16, pp. 34—51, 2021, doi: 10.3991/ijim.v15i16.24195.

A. R. Fahindra and I. H. Al Amin, “Sistem Pakar Deteksi Awal Covid-19 Menggunakan Metode Certainty Factor,” J. Tekno Kompak, vol. 15, no. 1, p. 92, 2021, doi: 10.33365/jtk.v15i1.914.

R. R. Al Hakim, E. Rusdi, and M. A. Setiawan, “Android Based Expert System Application for Diagnose COVID-19 Disease: Cases Study of Banyumas Regency,” J. Intell. Comput. Heal. Informatics, vol. 1, no. 2, p. 26, 2020, doi: 10.26714/jichi.v1i2.5958.

B. Etikasari, T. D. Puspitasari, A. A. Kurniasari, and L. Perdanasari, “Sistem Informasi Deteksi Dini Covid-19,” J. Tek. Elektro dan Komput., vol. 9, no. 2, pp. 101—108, 2020.

S. Bhatia and J. Malhotra, “Naive bayes classifier for predicting the novel coronavirus,” Proc. 3rd Int. Conf. Intell. Commun. Technol. Virtual Mob. Networks, ICICV 2021, no. Icicv, pp. 880—883, 2021, doi: 10.1109/ICICV50876.2021.9388410.

G. G. Akbar, D. Kurniadi, and N. Nurliawati, “Content Analysis of Social Media: Public and Government Response to COVID-19 Pandemic in Indonesia,” J. Ilmu Sos. dan Ilmu Polit., vol. 25, no. 1, pp. 16—31, 2021, doi: 10.22146/jsp.56488.

A. Mulyani, D. Kurniadi, and N. Fauziah, “Perancangan Sistem Informasi Geografis Pemetaan Sebaran Kasus Covid-19 di Kabupaten Garut,” J. Algoritm., vol. 18, no. 1, pp. 119—130, 2021, doi: 10.33364/algoritma/v.18-1.938.

J. Hoffer, Modern Systems Analysis and Design, 6/e. 2012.

F. Fadhilah, “Penerapan Metode Naive Bayes Pada Aplikasi Sistem Pakar Untuk Diagnosa Penyakit Kulit Pada Kucing,” J. Infomedia Tek. Inform. Multimed. Jar., 2020.

A. A. Singh, Krishna Kant; Elhoseny, Mohamed; Singh, Akansha; Elngar, Machine Learning and the Internet of Medical Things in Healthcare. 2021.