Uji Komparasi Algoritma Naïve Bayes dan Decision Tree Classification Menggunakan Covid-19 Dataset

Helen Sastypratiwi, Yulianti Yulianti, Hafiz Muhardi

Abstract


Corona virus yang saat ini terjadi menjadikan perubahan tatanan hidup dalam masyarakat baik di Indonesia maupun luar negeri. Corona virus atau disebut dengan Covid-19 telah banyak memakan korban dari berbagai usia. Oleh karena itu, diperlukan penerapan sistem otomatis dalam sistem deteksi untuk mencegah penyebaran COVID-19 di antara orang-orang. Kecerdasan buatan dapat merupakan alat yang dominan dalam perang melawan krisis COVID-19. Kecerdasan buatan memiliki subdomain seperti machine learning. Mechine learning (ML) dapat membantu dalam mendiagnosis dan memprediksi COVID-19. Dataset Covid-19 sebagai kasus yang digunakan dalam analisis untuk mengkaji perbandingan antar algoritma dalam pembelajaran mesin. Komparasi dilakukan terhadap algoritma Naïve Bayes dan algoritma Decision Tree Classification berdasarkan feature importance yang dimiliki kedua algoritma tersebut. Uji komparasi ini penting agar kedepannya penelitian dapat berjalan lebih baik dengan mengetahui algoritma yang sesuai dan dapat membantu dalam penyelesaian masalah yang akan datang. Dalam penentuan fitur digunakan dua teknik yaitu correlation matrix dan feature importance. Correlation matrix menunjukkan nilai total cases tertinggi dalam korelasi dengan fitur lainnya. Berdasarkan penelitian yang telah dilakukan terhadap data Covid-19 global, algoritma Decision Tree lebih baik dibanding dengan algoritma Naïve Bayes.


Keywords


Komparasi algoritma;Naïve Bayes;Decision Tree;feature importance;klasifikasi;covid-19

Full Text:

PDF

References


B. M. Ismail, S. M. Basha, and B. E. Reddy, “Improved fractal image compression using range block size,” in 2015 IEEE International Conference on Computer Graphics, Vision and Information Security (CGVIS), 2015, pp. 284–289.

G. A. Shaik, T. B. Reddy, M. I. B., M. Alam, and M. Tahernezhadi, “Variable Block Size Hybrid Fractal Technique for Image Compression,” in 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS), 2020, pp. 510–515.

Z. Yin, L. M. Sulieman, and B. A. Malin, “Review A systematic literature review of machine learning in online personal health data,” vol. 0, no. 0, pp. 1–16, 2019.

F. A. Astuti, “Pemanfaatan Teknologi Artificial Intelligence untuk Penguatan Kesehatan dan Pemulihan Ekonomi Nasional,” J. Sist. Cerdas, vol. 4, no. 1, pp. 25–34, 2021.

A. P. Wibawa, A. C. Kurniawan, H. A. Rosyid, and A. M. M. Salah, “International Journal Quartile Classification Using the K-Nearest Neighbor Method,” in 2019 International Conference on Electrical, Electronics and Information Engineering (ICEEIE), 2019, vol. 6, pp. 336–341.

M. Ikbal, S. Andryana, and R. T. K. Sari, “Visualisasi dan Analisa Data Penyebaran Covid-19 dengan Metode Klasifikasi Naïve Bayes,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 5, no. 4, pp. 389–394, 2021.

C. I. Agustyaningrum, W. Gata, R. Nurfalah, and U. Radiyah, “KOMPARASI ALGORITMA NAIVE BAYES , RANDOM FOREST DAN SVM UNTUK MEMPREDIKSI NIAT,” vol. 20, no. 2, 2020.

A. Supriyatna and W. P. Mustika, “Komparasi Algoritma Naive bayes dan SVM Untuk Memprediksi Keberhasilan Imunoterapi Pada Penyakit Kutil,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 2, no. 2, pp. 152–161, 2018.

“World Health Organization.” [Online]. Available: https://www.who.int/. [Accessed: 03-Jun-2021].

F. B. Hamzah et al., “CoronaTracker: worldwide COVID-19 outbreak data analysis and prediction,” Bull World Heal. Organ, vol. 1, no. 32, 2020.

D. Toppenberg-Pejcic, J. Noyes, T. Allen, N. Alexander, M. Vanderford, and G. Gamhewage, “Emergency risk communication: Lessons learned from a rapid review of recent gray literature on Ebola, Zika, and Yellow Fever,” Health Commun., vol. 34, no. 4, pp. 437–455, 2019.

L. Lin, R. F. McCloud, C. A. Bigman, and K. Viswanath, “Tuning in and catching on? Examining the relationship between pandemic communication and awareness and knowledge of MERS in the USA,” J. Public Health (Bangkok)., vol. 39, no. 2, pp. 282–289, 2017.

D. S. Hui et al., “The continuing 2019-nCoV epidemic threat of novel coronaviruses to global health—The latest 2019 novel coronavirus outbreak in Wuhan, China,” Int. J. Infect. Dis., vol. 91, pp. 264–266, 2020.

W. H. Organization, “Report of the WHO-China joint mission on coronavirus disease 2019 (COVID-19),” 2020.

E. E. Pratama and H. Sastypratiwi, “Analisis Kecenderungan Informasi Terkait Covid-10 Berdasarkan Big Data Sosial Media dengan Menggunakan Metode Data Mining,” J. Inform. Polinema, vol. 7, no. 2, pp. 1–6, 2021.

P. Arabie, L. Hubert, and G. De Soete, Clustering and classification. World Scientific, 1996.

D. L. Olson and D. Delen, “74-Advanced-Data-Mining-Techniques Flipbook PDF.”

L. Breiman, “Random Forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001.

S. Russell and P. Norvig, “Artificial intelligence: a modern approach,” 2002.

A. J. Myles, R. N. Feudale, Y. Liu, N. A. Woody, and S. D. Brown, “An introduction to decision tree modeling,” J. Chemom. A J. Chemom. Soc., vol. 18, no. 6, pp. 275–285, 2004.

Y.-Y. Song and L. U. Ying, “Decision tree methods: applications for classification and prediction,” Shanghai Arch. psychiatry, vol. 27, no. 2, p. 130, 2015.

A. J. Ferreira and M. A. T. Figueiredo, “Efficient feature selection filters for high-dimensional data,” Pattern Recognit. Lett., vol. 33, no. 13, pp. 1794–1804, 2012.

F. F. Bocca and L. H. A. Rodrigues, “The effect of tuning, feature engineering, and feature selection in data mining applied to rainfed sugarcane yield modelling,” Comput. Electron. Agric., vol. 128, pp. 67–76, 2016.

G. Ruß and R. Kruse, “Feature Selection for Wheat Yield Prediction BT - Research and Development in Intelligent Systems XXVI,” 2010, pp. 465–478.

T. Rosandy, “Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree (C4. 5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus: KSPPS/BMT Al-Fadhila,” J. Teknol. Inf. Magister, vol. 2, no. 01, pp. 52–62, 2016.




DOI: http://dx.doi.org/10.26418/jp.v8i1.49841

Refbacks

  • There are currently no refbacks.