Komparasi Algoritma Decision Tree, K-Nearest Neighbors (KNN) dan Naïve Bayes pada Pengobatan Penyakit Kutil Menggunakan Cryotherapy

Authors

  • Bayu Nur Angga Magister Teknik Informatika, Universitas Pamulang

Keywords:

Decision Tree, K-Nearest Neighbors, Naïve Bayes, Penyakit Kutil, Cryotherapy

Abstract

Pengobatan penyakit kutil menggunakan Cryotherapy merupakan salah satu jenis pegobatan penyakit kutil yang direkomendasikan oleh beberapa pakar kesehatan. Metode yang digunakan dengan menggunakan nitrogen cair untuk pembekuan pada penyakit kutil. Dalam penelitian ini dilakukan komparasi pengujian model dengan menggunakan Decision Tree, K-Nearest Neighbors dan Naïve Bayes untuk prediksi pengobatan penyakit kutil. Dalam proses pengujiannya, peneliti menggunakan aplikasi orange untuk mengolah data dan melakukan pengujian. Hasil pengujian yang telah dilakukan menunjukkan pengujian menggunakan model K-Nearest Neighbors (K-NN) didapat nilai akurasi terbaik adalah 90,00% dengan nilai AUC sebesar 0,902, hasil pengujian menggunakan model Naïve Bayes didapat nilai akurasi lebih kecil dibandingkan dengan model K-NN yaitu 88,33% dengan nilai AUC sebesar 0,950, sedangkan model Decision Tree paling rendah didapat nilai akurasi 86,67% dengan nilai AUC 0,890. Berdasarkan pengujian yang sudah dilakukan dapat disimpulkan bahwa model K-Nearest Neigbor memiliki tingkat akurasi lebih baik dibandingkan dengan model Decision Tree dan Naïve Bayes dalam prediksi pengobatan penyakit kutil menggunakan Cryotherapy.

References

[1] F. Khozeimeh et al., “Intralesional immunotherapy compared to cryotherapy in the treatment of warts,” Int. J. Dermatol., vol. 56, no. 4, pp. 474–478, 2017.

[2] F. Khozeimeh, R. Alizadehsani, M. Roshanzamir, A. Khosravi, P. Layegh, and S. Nahavandi, “An expert system for selecting wart treatment method,” Comput. Biol. Med., vol. 81, pp. 167–175, 2017.

[3] H. Amalia and E. Evicienna, “Komparasi Metode Data Mining Untuk Penentuan Proses Persalinan Ibu Melahirkan,” J. Sist. Inf., vol. 13, no. 2, p. 103, 2017.

[4] N. Saputra, T. B. Adji, and A. E. Permanasari, “Analisis Sentimen Data Presiden Jokowi dengan Preprocessing Normalisasi dan Stemming menggunakan Metode Naïve Bayes dan SVM,” J. Din. Inform., vol. 5, no. 1, pp. 1–12, 2015.

[5] P. E. Utgoff, N. C. Berkman, and J. A. Clouse. Decision tree induction based on efficient tree restructuring. Machine Learning, 29:5–44, 1997.

[6] P. Piro, R. Nock, F. Nielsen, and M. Barlaud, “Leveraging k-NN for generic classification boosting,” Neurocomputing, vol. 80, pp. 3–9, 2012.

[7] D. Kurnianingtyas, B. A. Rahardian, D. P. Mahardika, A. K. A., and D. A. K., “Sistem Pendukung Keputusan Diagnosis Penyakit Sapi Potong Menggunakan K- Nearest Neighbors (K-NN),” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 2, p. 122, 2017.

[8] P. Harrington, Machine Learning in Action, vol. 37, no. 3. 2012.

[9] M. M. Jain and P. V. Richariya, “An Improved Techniques Based on Naïve Bayesian for Attack Detection,” Int. J. Emerg. Technol. Adv. Eng., vol. 2, no. 1, pp. 324–331, 2012.

[10] Yeni Kustiyahningsih and N. Syafa'ah, “Sistem Pendukung Keputusan Untuk Menentukan Jurusan Pada Siswa Sma Menggunakan Metode Knn Dan Smart,” JSII, vol. 1, no. 1, pp. 19–28, 2014.

[11] F. Gorunescu, “Data mining: Concepts, models and techniques,” Intell. Syst. Ref. Libr., vol. 12, 2011.

[12] Y. C. Liaw, M. L. Leou, and C. M. Wu, “Fast exact k nearest Neighbors search using an orthogonal search tree,” Pattern Recognit., vol. 43, no. 6, pp. 2351–2358, 2010.

[13] Y. C. Liaw, C. M. Wu, and M. L. Leou, “Fast k-nearest Neighbors search using modified principal axis search tree,” Digit. Signal Process. A Rev. J., vol. 20, no. 5, pp. 1494–1501, 2010.

[14] Bustami, “Penerapan Algoritma Naïve Bayes untuk Mengklasifikasi Data Nasabah,” TECHSI J. Penelit. Tek. Inform., vol. 4, pp. 127–146, 2010.

[15] N. D. Prayoga, N. Hidayat, and R. K. Dewi, “Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2666–2671, 2018.

[16] J. Wu and Z. Cai, “Attribute weighting via differential evolution algorithm for attribute Weighted Naïve Bayes (WNB),” J. Comput. Inf. Syst., vol. 7, no. 5, pp. 1672– 1679, 2011.

Downloads

Published

2023-12-30

How to Cite

Angga, B. N. (2023). Komparasi Algoritma Decision Tree, K-Nearest Neighbors (KNN) dan Naïve Bayes pada Pengobatan Penyakit Kutil Menggunakan Cryotherapy. Prosiding Seminar Kecerdasan Artifisial, Sains Data, Dan Pendidikan Masa Depan, 1, 257–261. Retrieved from https://openjournal.unpam.ac.id/index.php/PROKASDADIK/article/view/39841