Perbandingan Akurasi Metode Naive Bayes dan Metode Random Forest dalam Mendiagnostik Penyakit Kanker Payudara

Abstract

Kanker payudara merupakan penyakit yang mempunyai dampak signifikan terhadap kesehatan wanita di seluruh dunia. Dalam penelitian ini, kami menggunakan data dari kumpulan data Wisconsin Diagnostic untuk membandingkan kinerja dua metode klasifikasi dalam diagnosis kanker payudara: Naive Bayes dan Random Forest. Metode Naive Bayes menggunakan pendekatan probabilitas sederhana untuk mengklasifikasikan data, sedangkan Random Forest membuat beberapa pohon keputusan dan menggabungkannya untuk meningkatkan akurasi prediksi. Sebelum membandingkan performa kedua algoritma, dilakukan proses preprocessing data yang meliputi identifikasi fitur, deteksi outlier, dan normalisasi. Kedua algoritma tersebut dilatih dan diuji menggunakan data dari dataset Wisconsin Diagnostic yang terdiri dari 569 sampel dengan 32 atribut dan 2 kelas. Hasil pengujian menunjukkan bahwa Naive Bayes menghasilkan akurasi sebesar 0.932, precision sebesar 0.933, recall sebesar 0.931, dan F1-score sebesar 0.932. Sedangkan Random Forest menghasilkan akurasi sebesar 0.9442, precision sebesar 0.945, recall sebesar 0.944, dan F1-score sebesar 0.944. Dalam konteks ini, Random Forest sedikit lebih akurat dibandingkan Naive Bayes, namun keduanya baik untuk mendiagnosis kanker payudara jinak dan ganas. Penelitian ini memberikan wawasan tentang efektivitas Naive Bayes dan Random Forest dalam membantu diagnosis kanker payudara berdasarkan kumpulan data klinis modern. Meskipun hasilnya menunjukkan bahwa Random Forest lebih unggul dalam hal akurasi, penting untuk mempertimbangkan konteks dan karakteristik kumpulan data ketika memilih algoritma klasifikasi yang tepat untuk aplikasi medis.