Perbandingan Algoritma Naïve Bayes Classifier (NBC) dengan Random Forest Untuk Klasifikasi Penyakit Ginjal Kronis (PGK)

Caterina Paras Dewi; Jasmir Jasmir; Willy Riyadi; Alya Rafina

doi:10.61132/prosemnasproit.v2i2.72

Authors

Caterina Paras Dewi Universitas Dinamika Bangsa
Jasmir Jasmir Universitas Dinamika Bangsa https://orcid.org/0000-0003-0059-2512
Willy Riyadi Universitas Dinamika Bangsa https://orcid.org/0000-0002-7091-1876
Alya Rafina Universitas Dinamika Bangsa

DOI:

https://doi.org/10.61132/prosemnasproit.v2i2.72

Keywords:

Chronic Kidney Disease, Classification, Machine Learning, Naïve Bayes Classifier, Random Forest

Abstract

Chronic Kidney Disease (CKD) is a heterogeneous disorder that gradually affects the structure and function of the kidneys, is difficult to recover, and causes the body to be unable to maintain metabolism and fail to maintain fluid and electrolyte balance, leading to increased urea levels. Chronic kidney disease data was obtained from Kaggle, in this study a comparison was made between two classification algorithms, namely Naïve Bayes Classifier (NBC) and Random Forest because it is not yet known what algorithm is best in classifying chronic kidney disease (CKD). Both algorithms are evaluated based on performance metrics such as accuracy, precision, recall, and confusion matrix. The results of the evaluation showed that in a dataset of 400 samples, the performance of the Naïve Bayes Classifier (NBC) algorithm obtained an accuracy of 94%, while Random Forest had an accuracy of 93%. Then in the small dataset (158 data), Random Forest got a better accuracy score with 87% compared to the Naïve Bayes Classifier (NBC) of 78%. Based on the results of the evaluation, Random Forest has a more stable performance on small datasets, while Naïve Bayes Classifier (NBC) provides higher performance on larger datasets in the context of chronic kidney disease classification.

References

A’yuniyah, Q., & others. (2022). Implementasi Algoritma Naïve Bayes Classifier (NBC) untuk Klasifikasi Penyakit Ginjal Kronik. Jurnal Sistem Komputer Dan Informatika (JSON), 4(1), 72–76. https://doi.org/10.30865/json.v4i1.4781

Ahmad, A. (2017). Mengenal Artificial Intelligence, Machine Learning, Neural Network, dan Deep Learning. Jurnal Teknologi Indonesia, 3(1).

Chotimah, S. N., & Rozzaqi, A. R. (2023). Klasifikasi Diagnosis Penyakit Ginjal Kronis Dengan Menerapkan Konsep Algoritma Naive Bayes. Jurnal Ilmiah Penelitian Teknologi Informasi & Komputer (JIPETIK), 4(1), 8–15.

Gliselda, V. K. (2021). Diagnosis dan Manajemen Penyakit Ginjal Kronis (PGK). Jurnal Medika Hutama (JMH), 2(4), 1135–1142.

Harahap, A. H., & others. (2021). Klasifikasi Diagnosa Penyakit Jantung menggunakan Algoritma Random Forest. Gunung Djati Conference Series, 3, 43–51.

Husna, H., & Maulina, N. (2018). Hubungan antara Lamanya Hemodialisis dengan Kualitas Hidup Pasien Penyakit Ginjal Kronik Di Rumah Sakit Umum Cut Meutia Kabupaten Aceh Utara. Jurnal Kedokteran Dan Kesehatan Malikussaleh, 1(2), 39–45.

Ismail, N., & Sri, L. (2023). Mendiagnosa Penyakit Ginjal Kronis Menggunakan Algoritma C4.5. Seminar Nasional Hasil Penelitian Dan Pengabdian Masyarakat, 1, 25–31.

Khalim, K. A., Hayati, U., & Bahtiar, A. (2023). Perbandingan Prediksi Penyakit Hipertensi Menggunakan Metode Random Forest Dan Naive Bayes. Jurnal Mahasiswa Teknik Informatika, 7(1), 498–504.

Listiana, E., & Muslim, M. A. (2017). Penerapan Adaboost Untuk Klasifikasi Support Vector Machine Guna Meningkatkan Akurasi Pada Diagnosa Chronic Kidney Disease. Prosiding SNATIF, 875–881.

Normawati, D., & Prayogi, S. A. (2021). Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter. Jurnal Sains Komputer & Informatika (J-SAKTI), 5(2), 697–711.

Rifqi, S. N. (2022). Optimasi Random Forest Untuk Diagnosis Penyakit Ginjal Kronik Dengan Menggunakan Particle Swarm Optimization. Seminar Nasional Mahasiswa Ilmu Komputer Dan Aplikasinya (SENAMIKA), 3(2), 696–705.

Rizky, I. I. M., Irianto, S. Y., & Sriyanto. (2023). Perbandingan Kinerja Algoritma Naive Bayes, Support Vector Machine dan Random Forest untuk Prediksi Penyakit Ginjal Kronis. Seminar Nasional Hasil Penelitian Dan Pengabdian Masyarakat, 1, 139–151.

Sartika, D., & Sensuse, D. I. (2017). Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian. Jatisi, 1(2), 151–161.

Suryanegara, G. A. B., Adiwijaya, & Purbolaksono, M. D. (2021). Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), 114–122. https://doi.org/10.29207/resti.v5i1.2880

Yulianti, I., Saputra, R. A., Mardiyanto, M. S., & Rahmawati, A. (2020). Optimasi Akurasi Algoritma C4.5 Berbasis Particle Swarm Optimization dengan Teknik Bagging pada Prediksi Penyakit Ginjal Kronis. Techno.COM, 19(4), 411–421.