Model Ensemble Algoritma Naive Bayes Dan Random Forest Dalam Klasifikasi Penyakit Paru-paru Untuk Meningkatkan Akurasi
DOI:
https://doi.org/10.37476/smartlock.v2i2.4407Kata Kunci:
Naïve Bayes, Hutan Acak, Ensemble, VotingClassifierAbstrak
Penelitian ini membahas model ensemble yang menggabungkan algoritma Naive Bayes dan Random Forest dalam klasifikasi penyakit paru-paru dengan tujuan meningkatkan akurasi. Melibatkan dataset sebanyak 30.000 data, penelitian ini menghasilkan kinerja yang sangat baik dalam berbagai aspek, termasuk akurasi, presisi, dan recall. Penggabungan model Naïve Bayes dengan Random Forest yang terintegrasi menggunakan VotingClassifier mampu unggul dibandingkan dengan penggunaan model Naïve Bayes tunggal. Hasil eksperimen menunjukkan bahwa performa model ensemble mencapai akurasi sebesar 93%, dengan presisi mencapai 87.03%, dan recall mencapai 100%. Keunggulan ini menegaskan bahwa pengintegrasian kekuatan Naive Bayes dan Random Forest dalam pendekatan ensemble dapat meningkatkan kemampuan prediktif sistem klasifikasi. Penelitian ini memberikan kontribusi signifikan dalam meningkatkan diagnosis penyakit paru-paru, membuka peluang untuk pengembangan sistem klasifikasi yang lebih efisien dalam praktik medis. Dengan demikian, penelitian ini tidak hanya meningkatkan akurasi klasifikasi, tetapi juga memberikan panduan untuk pengembangan solusi berbasis kecerdasan buatan di bidang kesehatan.
Referensi
D. Andita Kusuma, J. Teknik Informatika, I. Darmajaya, J. A. Pagar Alam, and B. Lampung, “Rancang Bangun Sistem Pakar Pendiagnosa Penyakit Paru-Paru Menggunakan Metode Case Based Reasoning,” 2014.
K. Vembandasamy, R. Sasipriya, and E. Deepa, “Heart Diseases Detection Using Naive Bayes Algorithm,” International Journal of Innovative Science, Engineering & Technology, vol. 2, no. 9, pp. 441–444, 2015.
W. Gata et al., “Algorithm Implementations Naïve Bayes, Random Forest. C4.5 on Online Gaming for Learning Achievement Predictions,” vol. 258, no. Icream 2018, 2019, doi: 10.2991/icream-18.2019.1.
U. K. Kumar, M. B. S. Nikhil, and K. Sumangali, “Prediction of Breast Cancer using Voting Classifier Technique,” 2014.
A. N. Repaka, S. D. Ravikanti, and R. G. Franklin, “Design And Implementing Heart Disease Prediction Using Naives Bayesian,” Proceedings of the Third International Conference on Trends in Electronics and Informatics (ICOEI 2019), 2019.
M. Ardiansyah, W. Hidayat, E. Utami, and S. Raharjo, “CPU and eGPU Support System Based on Naive Bayes Classification,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 15, no. 2, p. 165, Apr. 2021, doi: 10.22146/ijccs.63689.
J. L. Speiser, M. E. Miller, J. Tooze, and E. Ip, “A comparison of random forest variable selection methods for classification prediction modeling,” Expert Systems with Applications, vol. 134. Elsevier Ltd, pp. 93–101, Nov. 15, 2019. doi: 10.1016/j.eswa.2019.05.028.
A. Mahabub, “A robust technique of fake news detection using Ensemble Voting Classifier and comparison with other classifiers,” SN Appl Sci, vol. 2, no. 4, Apr. 2020, doi: 10.1007/s42452-020-2326-y.
S. Syamsiah, “PERANCANGAN FLOWCHART DAN PSEUDOCODE PEMBELAJARAN MENGENAL ANGKA DENGAN ANIMASI UNTUK ANAK PAUD RAMBUTAN,” 2019.
Sahar, “Analisis Perbandingan Metode K-Nearest Neighbor dan Naïve Bayes Classiffier pada Data Set Penyakit Jantung,” Indonesian Journal of Data and Science (IJODAS), vol. 1, no. 3, pp. 79–86, 2020.
C. Accinelli, S. Minisi, and B. Catania, “Coverage-based Rewriting for Data Preparation,” 2020.
S. Anisah, A. S. Honggowibowo, and A. Pujiastuti, “Klasifikasi Teks Menggunakan Chi Square Feature Selection Untuk Menentukan Komik Berdasarkan Periode, Materi Dan Fisikdengan Algoritma Naivebayes,” Compiler, vol. 5, no. 2, pp. 59–66, 2016, doi: 10.28989/compiler.v5i2.171.
I. Ahmad, M. Basheri, M. J. Iqbal, and A. Rahim, “Performance Comparison of Support Vector Machine, Random Forest, and Extreme Learning Machine for Intrusion Detection,” IEEE Access, vol. 6, pp. 33789–33795, 2018, doi: 10.1109/ACCESS.2018.2841987.
I. Düntsch and G. Gediga, “Indices for rough set approximation and the application to confusion matrices,” International Journal of Approximate Reasoning, vol. 118, pp. 155–172, 2020, doi: 10.1016/j.ijar.2019.12.008.
