Metode Bagging Untuk Imbalance Class Pada Bedah Toraks Menggunakan Naive Bayes

Abstract

Kanker paru merupakan masalah yang terjadi di Indonesia dan merokok merupakan salah satu penyebab kanker paru. Bedah toraks dapat mengobati pasien yang terkena kanker paru, akan tetapi usia hidup pasien pasca operasi yang menjadi masalah, jika kanker paru yang diderita pasien sudah parah. Usia pasien setelah satu tahun menjalani bedah toraks dapat hidup atau tidak. Dataset thoracic surgery merupakan data yang berisi tentang pasien yang menjalani bedah toraks dan usia hidup pasien setelah pasca operasi. Naive Bayes merupakan algoritma machine learning yang sederhana dan cepat dalam hal klasifikasi, kinerja yang baik dan mudah dalam penerapannya. Banyak penelitian dalam menentukan pasien tersebut hidup atau tidak setelah satu tahun menjalani bedah toraks, salah satunya menggunakan Naive Bayes. Dataset bedah toraks memiliki permasalahan imbalance class (ketidakseimbangan kelas) karena nilai false lebih banyak dibandingkan nilai true. Dataset yang tidak seimbang dapat menyebabkan kinerja pada model yang digunakan menurun, sehingga dibutuhkan metode yang dapat menangani permasalahan tersebut. Bagging merupakan metode yang tepat dalam menangani permasalahan imbalance class dan dapat meningkatkan kinerja dari model yang digunakan. Pada penelitian ini menggunakan model Naive Bayes dan Bagging untuk prediksi model bedah toraks.