Perbandingan Algoritma Klasifikasi untuk Prediksi Penyakit Anemia Menggunakan Orange

Abstract

Penelitian ini melakukan analisis terhadap membandingkan kinerja beberapa algoritma klasifikasi yang berbeda dalam prediksi penyakit Anemia. Data yang digunakan dalam penelitian ini mencakup atribut Blue Pixel, Sex, Red Pixel, Green Pixel, dan Hb. Anemia atau yang secara awam dikenal dengan kurang darah, merupakan suatu keadaan dimana terjadi penurunan kadar hemoglobin (Hb) di dalam sel darah merah yang berfungsi untuk mengangkut oksigen ke seluruh tubuh sehingga kebutuhan oksigen jaringan tidak terpenuhi. Dalam penelitian ini, telah dilakukan perbandingan algoritma klasifikasi untuk memprediksi penyakit anemia menggunakan aplikasi Orange. Hasil menunjukkan bahwa algoritma Decision Tree, Logistic Regression, dan Naive Bayes memberikan nilai akurasi terbaik sebesar 96,2% untuk dataset anemia dari Kaggle. Di sisi lain, algoritma k-Nearest Neighbors (kNN) memiliki performa terendah dengan akurasi sebesar 94,2%. Kesimpulan ini menegaskan efektivitas beberapa algoritma dalam prediksi anemia, dengan model terbaik adalah Decision Tree, Logistic Regression, dan Naive Bayes.