Komparasi Algoritma Random Forest, Naïve Bayes dan K- Nearest Neighbor Dalam klasifikasi Data Penyakit Jantung

Abstract

Penyakit jantung merupakan penyabab kematian tertinggi setelah stroke dan dapat terjadi pada semua usia. Metode berbasis komputer mendorong peneliti untuk menjadi salah satu cara bagi penelitian terhadap penyakit jantung koroner. Pengolahan data dalam jumlah besar dapat dilakukan dengan klasifikasi menggunakan algoritma tertentu sehingga hasilnya cepat dan akurat. Metode klasifikasi yang umum digunakan antara lain Naïve Bayes, K-Nearest Neighbor, dan Random Forest. Metode Naïve Bayes menggunakan probabilitas disetiap data, metode K-Nearest Neighbor menggunakan perhitungan jarak, sedangkan metode Random Forest menggunakan beberapa pohon keputusan yang disatukan. Penulisan ini bertujuan untuk membandingkan ketiga algoritma  tersebut  dalam  mengklasifikasikan  data  penyakit  jantung.  Perbandingan  algoritma  akan  dilihat  berdasarkan performance measure yang terdiri dari tingkatan akurasi, recall disetiap kelas, dan presisi disetiap kelas. Pada setiap algoritma diuji menggunakan cross validation. Berdasarkan hasil perbandingan terhadap 304 dataset penyakit jantung, algoritma Naïve Bayes lebih baik dan optimal dibanding dengan Algoritma, K-Nearest Neighbor dan Random Forest untuk mengklasifikasikan penyakit jantung. Hasil klasifikasi dengan algoritma Naïve Bayes memiliki rerata hasil akurasi sebesar 0,91 AUC, 0,84 CA, 0,84

F1, 0,839 Precision dan 0,84 Recall.