PERBANDINGAN KINERJA ALGORITMA NAIVE BAYES DAN DECISION TREE DALAM KLASIFIKASI KANKER PARU-PARU

Abstract

Kanker paru-paru merupakan salah satu penyebab utama kematian di dunia, menjadikan deteksi dini sebagai hal yang sangat penting. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naive Bayes dan Decision Tree dalam klasifikasi kanker paru-paru. Metode penelitian melibatkan tahapan Knowledge Discovery in Databases (KDD), termasuk pemilihan data, praproses, transformasi, penambangan data, dan interpretasi hasil. Dataset yang digunakan berasal dari repository publik dengan berbagai fitur terkait kondisi pasien. Hasil menunjukkan bahwa Naive Bayes memiliki akurasi lebih tinggi sebesar 92,47% dan unggul dalam mendeteksi kelas positif (recall sebesar 98,77%), tetapi kurang optimal pada kelas negatif. Sementara itu, Decision Tree menunjukkan akurasi 88,17% dengan keseimbangan deteksi antar kelas yang lebih baik (recall kelas negatif sebesar 66,67%). Berdasarkan hasil tersebut, Naive Bayes lebih cocok untuk aplikasi yang membutuhkan deteksi cepat dan efisien, sedangkan Decision Tree lebih sesuai untuk skenario dengan kebutuhan keseimbangan deteksi antar kelas. Penelitian ini memberikan rekomendasi algoritma yang sesuai berdasarkan kebutuhan spesifik aplikasi dan menyarankan pengembangan lebih lanjut untuk optimasi algoritma.