Perbandingan Algoritma Naive Bayes dan Decission Tree untuk Prediksi Penyakit Kanker Paru-Paru

Abstrak

Dalam studi ini, kami membandingkan kinerja dua algoritma pembelajaran mesin, Naïve Bayes dan Decission Tree, untuk mendiagnosis penyakit paru-paru menggunakan kumpulan data kesehatan pasien. Tujuan utama dari studi ini adalah untuk mengevaluasi akurasi, presisi, recall, dan skor F1 dari kedua algoritma tersebut untuk menentukan metode yang lebih efektif dalam memprediksi penyakit paru-paru. Hasilnya menunjukkan bahwa algoritma klasifikasi pohon mengungguli Naïve Bayes dalam hal akurasi, mencapai 95% dalam pembagian 80:20, dibandingkan dengan akurasi 78% yang dicapai oleh Naïve Bayes pada data yang sama. Analisis lebih lanjut menunjukkan bahwa sebagian besar pasien dalam kumpulan data ini memiliki risiko tinggi dengan 365 pasien, diikuti oleh risiko dengan 332 pasien, dan risiko rendah dengan 303 pasien. Struktur pohon keputusan terbukti lebih efektif dalam menangani kompleksitas data dan menghasilkan prediksi yang lebih akurat. Hasil-hasil ini menunjukkan bahwa pohon keputusan merupakan metode yang lebih baik daripada Naïve Bayes untuk mendiagnosis penyakit paru-paru dan dapat memberikan dasar yang kuat untuk mengembangkan model pembelajaran mesin yang akurat untuk penelitian kesehatan di masa mendatang.