Perbandingan Metode Algoritma Decision Tree C4.5 Dan Naïve Bayes Untuk Memprediksi Penyakit Tiroid

Penulis

  • Leli Safitri Universitas Gunadarma, Jawa Barat, Indonesia
  • Krista Cahayani Murtiwiyati Universitas Gunadarma, Jawa Barat, Indonesia
  • Siti Chodidjah Universitas Gunadarma, Jawa Barat, Indonesia
  • Deasy Indayanti Universitas Gunadarma, Jawa Barat, Indonesia

DOI:

https://doi.org/10.55129/jnerscommunity.v13i5.2121

Kata Kunci:

Algoritma Decision Tree C4.5, Algoritma Naïve Bayes, Data Mining, Klasifikasi, Perbandingan, Penyakit Tiroid.

Abstrak

Penyakit tiroid adalah kelenjar endokrin murni terbesar di tubuh manusia, terletak di leher bagian depan. Gangguan fungsi tiroid  seringkali sulit dikenali karena gejalanya tidak spesifik, dan sering diabaikan karena gejala penyakit tiroid sangat mirip dengan banyak penyakit gaya hidup modern. pasien seringkali tidak menyadari ada masalah pada dirinya dan tidak memeriksakan diri ke dokter. Oleh karena itu, penelitian dibidang kesehatan dilakukan untuk pengobatan lebih dini, guna mencegah kematian akibat terlambatnya penanganan. Penelitian ini menggunakan metode klasifikasi data mining Algoritma Decision Tree C4.5 dan Naïve Bayes dengan tujuan agar algoritma terpilih merupakan algoritma yang menghasilkan nilai akurasi dan nilai Area Under Curve (AUC) yang lebih baik. Data penelitian menggunakan Thyroid Disease Dataset UCI (University of California, Irvine) Machine Learning Repository. Hasil pengujian menunjukkan bahwa akurasi lebih baik diperoleh dari Algoritma Decision Tree C4.5 sebesar 97,12% sedangkan nilai akurasi Algoritma Naïve Bayes sebesar 76,02%. Nilai Area Under Curve (AUC) pada kurva Receiver Operating Characteristic (ROC) menunjukkan Algoritma Decision Tree C4.5 memiliki nilai lebih tinggi dari Algoritma Naïve Bayes dengan hasil klasifikasi Good Classification.

Referensi

Abdalsatar, Khalid. (2021). The Efficiency

of Classification Techniques in Predicting Thyroid Disease. Diakses tanggal 4 Juni 2022 http://acikerisim.karabuk.edu.tr:8080/xmlui/bitstream/handle/123456789/1355/10406874.pdf?sequence=1&isAllowed=y.

Abriana, Recha., Widagdo, Galih., Setya,

Arief., Qomaruddin, M. (2019). Penerapan Data Mining Classification untuk Data Blogger Menggunakan Metode Naive Bayes, Jurnal Sistem dan Teknologi Informasi, Vol. 7, No. 1, Hal 48-49.

Agustiani, S., Ali, M., Andi, S., Windu, G.,

Siti,K. (2020). Paradigma – Jurnal Informatika dan Komputer, Vol. 22, No. 2 (September 2020). P: ISSN 1410- 5063, E-ISSN: 2579-3500.

Agustiani, S., Ali, M., Andi, S., Windu, G.,

Siti,K. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga, Citec Journal, Vol. 2, No. 3, Hal 209-210.

Alfisahrin, S. N. (2014). Komparasi

Algoritma C4.5, Naive Bayes dan Neural Network Untuk Memprediksi Penyakit Jantung. Jakarta: Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri.

Astuti, T., Mujiati, I., Ayu, D., Ristianah,

V., Lestari, W. A. (2016). Penerapan Algoritme J48 Untuk Prediksi. Jurnal Telematika, Vol.9 No. 2, Hal 1–10.

B. Santoso. (2007). Data Mining: Teknik

Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

Bustami. (2013). Penerapan Algoritma

Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi, TECHSI : Jurnal Penelitian Teknik Informatika, Vol. 3, No.2, Hal. 127-146.

Buulolo, E. (2020). Data Mining Untuk

Perguruan Tinggi. ISBN 978-623-02-0508- 8. Deepublish.

Darmawan, A., Kustian, N., Rahayu, W., &

Tabebuya. (2018).Implementasi Data Mining Menggunakan Model Svm,

Vol. 2, No. 3, Hal 299–307. Fatmawati. (2016). Perbandingan Algoritma Klasifikasi Data Mining Model C4.5 dan Naive Bayes Untuk Prediksi Penyakit Diabetes. Jurnal Techno Nusa Mandiri, Vol.XIII, No.1, STMIK Nusa Mandiri, Jakarta.

GmbH, R. (2020). RapidMiner 9 Operator

Reference Manual. Diakses dari www.rapidminer.com.

Gorunescu, Florin. (2011). Data Mining:

Concepts, Models, and Techniques. Verlag Berlin Heidelberg : Springer.

Hairul, U., Victor, W., Triawan, A. (2016).

Analisis Perbandingan Algoritma C4.5 dan Algoritma Naïve Bayes untuk Prediksi Kelulusan Mahasiswa (Studi Kasus: Prodi Teknik Informatika Universitas Muhammadiyah Jember. Diakses dari http://repository.unmuhjember.ac.id/623/1/JURNAL.pdf.

Handayani, P., Nurlelah, E., Raharjo, M.,

Ramdani, P. M. (2019). Prediksi Penyakit Liver dengan Menggunakan Metode, Vol. 4, No. 1, Hal 55–59.

Inggris "Hepatic iodothyronine 5”

deiodinase : The role of selenium" (PDF). Division of Biochemical Sciences, Rowett Research Institute, University Department of Clinical Chemistry; John R. ARTHUR, Fergus NICOL dan Geoffrey J. BECKETT. Diakses tanggal 2020-06-27.

Joko Suntoro. (2018). Data Mining:

Algoritme dan Impelementasi Menggunakan Bahasa Pemrograman PHP. Diakses dari https://osf.io/qwbek/download.

Kementrian Kesehatan. (2015). Situasi dan

Analisis Penyakit Tiroid. Diakses darihttps://pusdatin.kemkes.go.id/resources/download/pusdatin/infodatin/infodatin-tiroid.pdf. Lamfom HA. (2008). Thyroid disorders in Makkah Saudi Arabia. Ozean J Appl Sci. Vol. 1, Hal. 55.

Maimon, Rokach. (2010). Data Mining and

knowledge Discovery Handbook. New York: Springer.

Melisa Sandrianti. (2022). Prodia,

Waspadai Gejala Gangguan Tiroid. Diakses dari https://prodia.co.id/id/kegiatanpromosi/pressreleasedetails/waspadai-gejala-gangguan-tiroid.

Mutalazimah, Mulyono B, Murti B, Azwar

S. (2013). Karakteristik demografi pada wanita usia subur dengan gangguan fungsi tiroid. Jurnal Kesehatan. Vol. 6, Hal. 123-33.

Patil, T. R., Sherekar, M., S. (2013).

Performance Analysis of Naive Bayes and J48 Classification Algorithm for Data Classification, International Journal of Computer Science and Applications, Vol. 6, No. 2, Hal 256-261.

Putra,A.,Ernawati. dan Erlansari,A. (2017).

Sistem Pakar Diagnosa Penyakit Tiroid Menggunakan Metode Naive Bayes Berbasis Android. Jurnal Rekursif, Vol. 5, Nomor 3, ISSN 2303 – 0755.

Rachmat, B., Gafar, A. A., Fajriani, N.,

Ramdani, U., Uyun, F. R., Purnamasari, Y., Ransi, N. (2017). Implemetasi K-Means Clustering pada RapidMiner untuk Analisis Daerah Rawan Kecelakaan. April, Hal. 58–62.

Riyanto, U. (2019). Analisis Perbandingan

Algoritma Naive Bayes Dan Support Vector Machine Dalam Mengklasifikasikan Jumlah Pembaca Artikel Online. JIKA (Jurnal Informatika), Vol. 2, No. 2, Hal. 62–72. Diakses dari https://doi.org/10.31000/.v2i2.1521

Rufiyanto, A., M. Rochcham., Abdul

Rohman. (2020). Penerapan Algorirma C4.5 untuk Prediksi Kepuasan Mahasiswa. Yogyakarta: CV Budi Utama.

Saleh, Alfa. (2015). Implementasi Metode

Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga, Citec Journal, Vol. 2, No. 3, Hal 209-210.

Schlitter, N., & Laessig, J. (2013).

Distributed Data Analytics using RapidMiner and BOINC Distributed Data Analytics using RapidMiner and BOINC. August.

Silwattananusarn, T., & Tuamsuk, K.

(2012). Data Mining and Its Application For Knowledge Management : A literature Riview From 2007 to 2012. Vol.2, Thailand: IJDKP.

Unduhan

Diterbitkan

05-11-2022

Cara Mengutip

Safitri, L., Cahayani Murtiwiyati, K. ., Chodidjah, S. ., & Indayanti, D. (2022). Perbandingan Metode Algoritma Decision Tree C4.5 Dan Naïve Bayes Untuk Memprediksi Penyakit Tiroid. Journals of Ners Community, 13(5), 489–495. https://doi.org/10.55129/jnerscommunity.v13i5.2121