Komparasi Algoritma K-Nearest Neighbor dan Naiive Bayes Pada Pengobatan Penyakit Kutil Menggunakan Cryotheraphy

Herlambang Brawijaya, Samudi Samudi, Slamet Widodo

Abstract


Pengobatan penyakit kutil menggunakan Cryotheraphy merupakan salah satu jenis pegobatan penyakit kutil yang direkomendasikan oleh beberapa pakar kesehatan. Metode yang digunakan dengan menggunakan nitrogen cair untuk pembekuan pada penyakit kutil. Dalam penelitian ini dilakukan komparasi pengujian model dengan menggunakan K-Nearest Neighbor dan Naiive Bayes untuk prediksi pengobatan penyakit kutil. Dalam proses pengujiannya, peneliti menggunakan aplikasi rapidminer untuk mengolah data dan melakukan pengujian. Hasil pengujian yang telah dilakukan menunjukkan pengujian menggunakan model K-Nearest Neighbor (K-NN) didapat nilai akurasi terbaik adalah 90,00% dengan nilai AUC sebesar 0,500 sedangkan hasil pengujian menggunakan model Naiive Bayes didapat nilai akurasi lebih kecil dibandingkan dengan model K-NN yaitu 86,67% dengan nilai AUC sebesar 0,932. Berdasarkan pengujian yang sudah dilakukan dapat disimpulkan bahwa model K-Nearest Neigbor memiliki tingkat akurasi lebih baik dibandingkan dengan model Naiive Bayes dalam prediksi pengobatan penyakit kutil menggunakan Cryotheraphy

Keywords


Data Mining, K-Nearest Neighbor, Naiive Bayes, Penyakit Kutil, Cryotheraphy

References


[1] F. Khozeimeh et al., “Intralesional immunotherapy compared to cryotherapy in the treatment of warts,” Int. J. Dermatol., vol. 56, no. 4, pp. 474–478, 2017.

[2] F. Khozeimeh, R. Alizadehsani, M. Roshanzamir, A. Khosravi, P. Layegh, and S. Nahavandi, “An expert system for selecting wart treatment method,” Comput. Biol. Med., vol. 81, pp. 167–175, 2017.

[3] H. Amalia and E. Evicienna, “Komparasi Metode Data Mining Untuk Penentuan Proses Persalinan Ibu Melahirkan,” J. Sist. Inf., vol. 13, no. 2, p. 103, 2017.

[4] N. Saputra, T. B. Adji, and A. E. Permanasari, “Analisis Sentimen Data Presiden Jokowi dengan Preprocessing Normalisasi dan Stemming menggunakan Metode Naive Bayes dan SVM,” J. Din. Inform., vol. 5, no. 1, pp. 1–12, 2015.

[5] P. Piro, R. Nock, F. Nielsen, and M. Barlaud, “Leveraging k-NN for generic classification boosting,” Neurocomputing, vol. 80, pp. 3–9, 2012.

[6] D. Kurnianingtyas, B. A. Rahardian, D. P. Mahardika, A. K. A., and D. A. K., “Sistem Pendukung Keputusan Diagnosis Penyakit Sapi Potong Menggunakan K-Nearest Neighbour (K-NN),” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 2, p. 122, 2017.

[7] P. Harrington, Machine Learning in Action, vol. 37, no. 3. 2012.

[8] M. M. Jain and P. V. Richariya, “An Improved Techniques Based on Naive Bayesian for Attack Detection,” Int. J. Emerg. Technol. Adv. Eng., vol. 2, no. 1, pp. 324–331, 2012.

[9] Yeni Kustiyahningsih and N. Syafa’ah, “Sistem Pendukung Keputusan Untuk Menentukan Jurusan Pada Siswa Sma Menggunakan Metode Knn Dan Smart,” JSII, vol. 1, no. 1, pp. 19–28, 2014.

[10] F. Gorunescu, “Data mining: Concepts, models and techniques,” Intell. Syst. Ref. Libr., vol. 12, 2011.

[11] Y. C. Liaw, M. L. Leou, and C. M. Wu, “Fast exact k nearest neighbors search using an orthogonal search tree,” Pattern Recognit., vol. 43, no. 6, pp. 2351–2358, 2010.

[12] Y. C. Liaw, C. M. Wu, and M. L. Leou, “Fast k-nearest neighbors search using modified principal axis search tree,” Digit. Signal Process. A Rev. J., vol. 20, no. 5, pp. 1494–1501, 2010.

[13] Bustami, “Penerapan Algoritma Naive Bayes untuk Mengklasifikasi Data Nasabah,” TECHSI J. Penelit. Tek. Inform., vol. 4, pp. 127–146, 2010.

[14] N. D. Prayoga, N. Hidayat, and R. K. Dewi, “Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2666–2671, 2018.

[15] J. Wu and Z. Cai, “Attribute weighting via differential evolution algorithm for attribute Weighted Naive Bayes (WNB),” J. Comput. Inf. Syst., vol. 7, no. 5, pp. 1672–1679, 2011.


Full Text: PDF (Bahasa Indonesia)

DOI: 10.30595/juita.v7i2.5609

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

ISSN: 2579-8901