Peningkatan Performa Naïve Bayes dengan Information Gain Menggunakan Machine Learning untuk Klasifikasi Kanker Payudara
Peningkatan Performa Naïve Bayes dengan Information Gain Menggunakan Machine Learning untuk Klasifikasi Kanker Payudara
DOI:
https://doi.org/10.33998/jms.2025.5.2.2338Kata Kunci:
Naïve Bayes; Information Gain; Klasifikasi; Kanker PayudaraAbstrak
Penelitian ini bertujuan untuk meningkatkan performa algoritma Naïve Bayes dalam klasifikasi diagnosis kanker payudara dengan mengintegrasikan metode seleksi fitur Information Gain. Dataset yang digunakan adalah Kanker Payudara Wisconsin (Diagnostik) yang terdiri dari 569 sampel. Penelitian ini menguji efektivitas metode seleksi fitur dalam meningkatkan akurasi, sensitivitas, dan spesifisitas model klasifikasi. Implementasi seleksi fitur Information Gain berhasil meningkatkan akurasi model Naïve Bayes dari 94.15% menjadi 96.49%, dengan peningkatan sebesar 2.34%. Penambahan metode seleksi fitur ini terbukti signifikan dalam meningkatkan kemampuan prediktif model. Hasil penelitian ini dapat mendukung pengambilan keputusan medis yang lebih tepat, berpotensi mempengaruhi keputusan pengobatan dan hasil pasien dalam praktik klinis. Penelitian ini memberikan wawasan baru mengenai penerapan machine learning dalam diagnostik medis dan menyarankan langkah-langkah lanjutan untuk penelitian lebih dalam di masa depan.
Unduhan
Referensi
A. J. W. Amna, Wahyuddin S, I Gede Iwan Sudipa, Tri Andi E. Putra, Buku Data Mining. 2023. [Online]. Available: https://www.cambridge.org/core/product/identifier/CBO9781139058452A007/type/book_part
B. Raharjo, Buku Pembelajaran Mesin (Machine Learning). 2021. [Online]. Available: https://www.codepolitan.com/mengenal-teknologi-machine-learning-pembelajaran-mesin
R. K. Dinata, “Buku Machine Learning.” pp. 1–156, 2020.
J. Narabel and S. Budi, “Deteksi Dini Status Keanggotaan Industri Kebugaran Menggunakan Pendekatan Supervised Learning,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 266–277, 2020, doi: 10.28932/jutisi.v6i2.2675.
Ardi Ramdani, Christian Dwi Sofyan, Fauzi Ramdani, Muhamad Fauzi Arya Tama, and Muhammad Angga Rachmatsyah, “Algoritma Klasifikasi Data Mining Untuk Memprediksi Masyarakat Dalam Menerima Bantuan Sosial,” J. Ilm. Sist. Inf., vol. 1, no. 2, pp. 39–47, 2022, doi: 10.51903/juisi.v1i2.363.
J. Kusumawaty, E. Noviati, I. Sukmawati, Y. Srinayanti, and Y. Rahayu, “Efektivitas Edukasi SADARI (Pemeriksaan Payudara Sendiri) Untuk Deteksi Dini Kanker Payudara,” ABDIMAS J. Pengabdi. Masy., vol. 4, no. 1, pp. 496–501, 2021, doi: 10.35568/abdimas.v4i1.1177.
Asiva Noor Rachmayani, Buku Data Mining Algoritma C4.5. 2019.
F. Handayani, D. Feddy, and S. Pribadi, “Implementasi Algoritma Naive Bayes Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan Masyarakat melalui Layanan Call Center 110,” J. Tek. Elektro, vol. 7, no. 1, pp. 19–24, 2015.
M. R. Maulana and M. A. Al Karomi, “Information Gain Untuk Mengetahui Pengaruh Atribut,” J. Litbang Kota Pekalongan, vol. 9, pp. 113–123, 2015.
F. D. Astuti, “Seleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni,” Teknika, vol. 6, no. 1, pp. 61–65, 2017, doi: 10.34148/teknika.v6i1.58.
M. T. A. Herfandi, Zaen, Y. Yuliadi, M. Julkarnain, and F. Hamdani, “Application of Information Gain to Select Attributes in Improving Naïve Bayes Accuracy in Predicting Customer’s Payment Capability,” JISA(Jurnal Inform. dan Sains), vol. 4, no. 2, pp. 155–163, 2021, doi: 10.31326/jisa.v4i2.1044.
A. Nugroho, “Analisa Splitting Criteria Pada Decision Tree dan Random Forest untuk Klasifikasi Evaluasi Kendaraan,” JSITIK J. Sist. Inf. dan Teknol. Inf. Komput., vol. 1, no. 1, pp. 41–49, 2022, doi: 10.53624/jsitik.v1i1.154.
R. F. Putra, I. R. Mukhlis, A. I. Datya, and S. J. Pipin, BUKU ALGORITMA PEMBELAJARAN MESIN. 2024.
J. T. Santoso, Buku Proyek Coding dengan Python. 2022.
L. D. Utami et al., “Integrasi Metode Information Gain untuk Seleksi Fitur dan AdaBoost untuk Mengurangi Bias pada Analisis Sentimen Review Restoran Menggunakan Algoritma Naive Bayes,” J. Intell. Syst., vol. 1, no. 2, pp. 120–126, 2015.
M. Ramanda Hasibuan and Marjin, “Pemilihan Fitur dengan Information Gain untuk Klasifikasi Penyakit Gagal Ginjal menggunakan Metode Modified K-Nearest Neighbor (MKNN),” J. Pengemb. Teknol. Inf. dam Ilmu Komput., vol. 3, no. 11, pp. 3659–875, 2019, [Online]. Available: http://j-ptiik.ub.ac.id
A. Budianita, “Information Gain Berbasis Algoritma Naive Bayes Classifier Pada Pemodelan Prediksi Kelulusan,” J. Ilm. Intech Inf. Technol. J. UMUS, vol. 5, no. 1, pp. 1–10, 2023, doi: 10.46772/intech.v5i1.1116.
E. Rahmanita, Y. D. P. Negara, Y. Kustiyahningsih, V. Sasmeka, and B. K. Khotimah, “Implementasi Metode Naïve Bayes dan Information Gain Untuk Klasifikasi Penyakit dan Hama Tanaman Jagung,” Teknika, vol. 12, no. 3, pp. 198–204, 2023, doi: 10.34148/teknika.v12i3.684.
A. Isnanda, Y. Umaidah, and J. H. Jaman, “Implementasi Naïve Bayes Classifier Dan Information Gain Pada Analisis Sentimen Penggunaan E-Wallet Saat Pandemi,” J. Teknol. Inform. dan Komput., vol. 7, no. 2, pp. 144–153, 2021, doi: 10.37012/jtik.v7i2.648.
A. Dwi Pangestu, I. Ernawati, and N. Chamidah, “Analisis Sentimen Terhadap PPKM Darurat Pada Media Sosial Twitter Menggunakan Metode Naïve Bayes Dengan Seleksi Fitur Information Gain,” Semin. Nas. Mhs. Ilmu Komput. dan Apl., vol. 3, no. 2, pp. 662–671, 2022.
