Perbandingan Algoritma Klasifikasi Random Foresst dengan Naïve Bayes Classifier pada Studi Penyakit Berdasarkan Pola Nutrisi

Akhmad Pandhu Wijaya

REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer
Vol. 9 No. 1 (2025): Volume 9 Nomor 1 Januari 2025

Penelitian ini bertujuan untuk membandingkan efektivitas algoritma klasifikasi Random Forest dan Naïve Bayes dalam mengklasifikasikan penyakit berdasarkan pola nutrisi. Dataset yang digunakan mencakup atribut seperti usia, jenis kelamin, tinggi badan, berat badan, tingkat aktivitas, preferensi makanan, dan sejumlah informasi terkait nutrisi, termasuk kalori, protein, gula, sodium, karbohidrat, dan serat. Dalam penelitian ini, dua metode klasifikasi yang umum digunakan dalam data mining, yaitu Random Forest dan Naïve Bayes Classifier (NBC), diterapkan untuk menganalisis data dan memprediksi penyakit yang mungkin timbul berdasarkan pola konsumsi makanan. Proses preprocessing data melibatkan pembersihan data, penanganan nilai hilang, dan normalisasi variabel numerik. Untuk evaluasi model, digunakan matriks kinerja seperti akurasi, presisi, recall, dan F1-score untuk menilai kemampuan model dalam memprediksi penyakit secara tepat. Hasil penelitian menunjukkan bahwa model Random Forest memiliki performa terbaik dibandingkan NBC, dengan tingkat akurasi yang lebih tinggi serta presisi dan recall yang lebih baik. Temuan ini mengindikasikan bahwa algoritma Random Forest lebih efektif dalam mengklasifikasikan penyakit berdasarkan pola nutrisi dibandingkan dengan Naïve Bayes Classifier. Kesimpulannya, penelitian ini menunjukkan bahwa algoritma Random Forest lebih unggul dibandingkan Naïve Bayes Classifier dalam mengklasifikasikan penyakit berdasarkan pola nutrisi. Dengan hasil yang menunjukkan tingkat akurasi, presisi, dan recall yang lebih tinggi, Random Forest terbukti lebih efektif dalam menangani kompleksitas data yang melibatkan berbagai atribut nutrisi. The results show that the Random Forest model has the best performance compared to NBC, with a higher level of accuracy and better precision and recall. These findings indicate that the Random Forest algorithm is more effective at classifying diseases based on nutrient patterns compared to the Naïve Bayes Classifier. In conclusion, this study shows that the Random Forest algorithm is superior to the Naïve Bayes Classifier in classifying diseases based on nutritional patterns. With results that show higher levels of accuracy, precision, and recall, Random Forest has proven to be more effective in handling the complexity of data involving various nutritional attributes.