Algoritma Naïve Bayes Classifier Untuk Memprediksi Gejala Autism Spectrum Disorders Pada Anak-Anak

Abstract

Manusia merupakan makhluk sosial yang tidak bisa terlepas dari hubungan dengan manusia lainnya demi keberlangsungan hidup bersama, salah satunya dengan berkomunikasi. Dengan berkomunikasi, pikiran, perasaan dan kebutuhan seseorang dengan dunia luarnya dapat tersampaikan. Pengaruh besar ini dibuktikan oleh Peter Drucker seorang analis manajemen Amerika yang menilai bahwa di negara-negara yang sudah maju, maka setiap pembelanjaan dalam bentuk dollar, selain untuk makanan dan pakaian dihabiskan untuk kepentingan berkomunikasi. Melihat begitu pentingnya komunikasi ini, terlihat sangat disayangkan, masih saja ada beberapa orang yang terlahir dengan kesulitan dalam hal berkomunikasi, berinteraksi bahkan merespon interaksi dari orang lain akibat dari berbagai gangguan yang terjadi dalam organisme tubuhnya sejak ia dilahirkan. Salah satu disorders (gangguan) itu adalah disebut dengan Autism Spectrum Disorders (ASD), yaitu kelainan perkembangan saraf yang mempengaruhi perilaku dan cara seseorang berkomunikasi, mereka cenderung menghabiskan waktunya sendiri seperti memiliki dunia sendiri. para penderita Autism Spectrum Disorders (ASD) bisa ditolong dengan berbagai obat-obatan dan terapi yang dilakukan setelah diketahui gejala-gejala yang menunjukkan bahwa itu adalah gejala Autism Spectrum Disorders (ASD).Melihat kondisi seperti ini, penulis bermaksud untuk melakukan penelitian dengan melakukan klasifikasi terhadap geja-gejala Autism Spectrum Disorders (ASD),yang terjadi pada anak-anak. Dengan adanya klasifikasi ini diharapkan para orang tua lebih sigap dalam mengetahui kondisi kesehatan anaknya dari gangguan (disorders) yang mungkin saja terjadi, sehingga dapat langsung melakukan tindakan sebagai usaha untuk meminimalisir gejala yang terjadi dan diharapkan tindakan sejak dini. Klasifikasi dilakukan dengan sebuah algoritma Naïve Bayes yang dikenal merupakan salah satu model klasifikasi yang baik dan sering digunakan. Hasil dari penelitian ini mendapatkan accuracy sebesar 60,48% menggunakan rapid miner 9.1 dengan 248 dataset.