Perbandingan Metode Random Forest dan Naïve Bayes untuk Klasifikasi Penyakit Diabetes

Abstract

Diabetes merupakan penyakit kronis yang memerlukan klasifikasi yang tepat guna mendukung penanganan dan pengobatan yang optimal. Penelitian yang dilakukan bertujuan untuk membandingkan kinerja dua metode klasifikasi, yaitu Random Forest dan Naïve Bayes, dalam mengklasifikasikan jenis diabetes berdasarkan data medis pasien. Metode Random Forest membentuk 300 pohon keputusan dan menggunakan teknik majority voting untuk menentukan hasil klasifikasi, sedangkan Naïve Bayes menerapkan pendekatan probabilistik berdasarkan distribusi data. Penelitian yang dilakukan menggunakan data pasien yang telah terdiagnosis diabetes melitus (DM) Tipe 1 dan Tipe 2 untuk mengukur akurasi masing-masing metode. Hasil klasifikasi menunjukkan bahwa Random Forest berhasil mengklasifikasikan 13 pasien dengan benar sebagai DM Tipe 1 dan 64 pasien sebagai DM Tipe 2, dengan 10 kasus kesalahan klasifikasi. Sementara itu, Naïve Bayes mengklasifikasikan 10 pasien dengan benar sebagai DM Tipe 1 dan 65 pasien sebagai DM Tipe 2, dengan 12 kesalahan klasifikasi. Evaluasi kinerja menunjukkan bahwa metode Random Forest memiliki akurasi sebesar 88,51%, presisi 87,67%, recall 98.46%, dan F1-Score 92.20%, sedangkan Naïve Bayes memiliki akurasi 86,21%, presisi 84,42%, recall 100%, F1-Score 91.55%. Berdasarkan hasil evaluasi tersebut, metode Random Forest terbukti memiliki kinerja yang lebih unggul dibandingkan dengan Naïve Bayes dalam klasifikasi jenis diabetes. Dengan demikian, Random Forest dapat direkomendasikan sebagai metode yang lebih efektif untuk mendukung proses diagnosis awal penyakit diabetes berdasarkan data pasien.