Komparasi Akurasi Metode Correlated Naive Bayes Classifier dan Naive Bayes Classifier untuk Diagnosis Penyakit Diabetes

Abstract

Penyakit diabetes merupakan salah satu penyakit paling banyak diderita oleh manusia seluruh dunia. Setiap tahun terjadi peningkatan kematian yang disebabkan oleh penyakit diabetes. Penyakit diabetes terjadi disebabkan oleh tubuh tidak menghasilkan insulin dalam jumlah yang cukup. Salah satu cara yang digunakan untuk mengurangi jumlah kematian yang disebabkan oleh penyakit diabetes adalah melakukan diagnosis secara dini. Salah satu teknik yang bisa digunakan adalah memanfaatkan teknik data mining. Untuk melakukan diagnosis penyakit diabetes dibutuhkan suatu metode yang memiliki akurasi terbaik. Pada penelitian ini melakukan komparasi metode Correlated-Naive Bayes Classifier dan Naive Bayes Classifier untuk mendapatkan akurasi terbaik sehingga dapat digunakan untuk diagnosis penyakit diabetes. Berdasarkan pengujian yang telah dilakukan menunjukkan bahwa metode Correlated Naive Bayes Classifier (CNBC) memperoleh akurasi terbaik dibandingkan dengan metode Naive Bayes Classifier (NBC) untuk Dataset Pima indian Diabetes. Tingkat akurasi metode Correlated Naive Bayes Classifier (CNBC) sebesar 67,15%, sedangkan metode Naive Bayes Classifier (NBC) sebesar 64,33%. Metode Correlated Naive Bayes Classifier (C-NBC) memiliki akurasi lebih tinggi dibandingkan metode Naïve Bayes Classifier (NBC) karena pada metode Correlated Naïve Bayes Classifier memperhitungkan nilai korelasi dari masing-masing atribut dataset terhadap Kelasnya. Dengan demikian penggunaan metode Correlated Naïve Bayes Classifier (C-NBC) dapat digunakan untuk melakukan diagnosis penyakit diabetes karena memiliki tingkat akurasi yang bagus dibandigkan metode Naive Bayes Classifier.

K-means-SMOTE for handling class imbalance in the classification of diabetes with C4.5, SVM, and naive Bayes

“…Secara khusus, klasifikasi penyakit diabetes menggunakan dataset diabetes Pima Indian telah dikaji dalam [13], [14] Nilai akurasi terbaik diperoleh dari kombinasi metode SVM dan k-means-SMOTE. Hal ini sejalan dengan [8], [9], [14], [16] yang menyatakan bahwa metode SVM memiliki akurasi terbaik.…”

“…Peningkatan nilai sensitivitas terjadi setelah oversampling menggunakan SMOTE dan k-means-SMOTE karena ada penambahan kelas minoritas (kelas positif) sehingga distribusi kelasnya menjadi seimbang [5], [8], [10]- [12]. Selain peningkatan akurasi, metode naive Bayes dan k-means-SMOTE ini memiliki keunggulan daripada [13] dari sisi sensitivitas, yaitu kebenaran dalam memprediksi positif terhadap keseluruhan data positif.…”

“…Nilai spesifisitas terbaik didapatkan kombinasi metode naive Bayes dan k-means-SMOTE. Selain peningkatan akurasi, metode naive Bayes dan k-means-SMOTE ini memiliki keunggulan daripada [13] dari sisi spesifisitas, yaitu kebenaran dalam memprediksi negatif terhadap keseluruhan data negatif. Namun, penggunaan sampling pada C4.5 membuat spesifisitasnya lebih kecil.…”

Kombinasi Metode Correlated Naive Bayes dan Metode Seleksi Fitur Wrapper untuk Klasifikasi Data Kesehatan

“…Penelit ian dibidang data mining untuk klasifikasi penyakit sudah banyak dilakukan diantaranya adalah penelitian [13] [21]. Hal ini selaras dengan dengan penelitian [22]- [24] menggunakan teknik seleksi fitur untuk men ingkatkan akurasi metode klasifikasi yang digunakan.…”

“…Hal ini selaras dengan dengan penelitian [22]- [24] menggunakan teknik seleksi fitur untuk men ingkatkan akurasi metode klasifikasi yang digunakan. Kebanyakan referensi seperti [13], [25], dan [26]…”