Analisis Perbandingan Algoritma Naïve Bayes dengan SVM (Support Vektor Machine) Dalam Mendiagnosis Penyakit Asma
DOI:
https://doi.org/10.59395/m9qa0357Keywords:
Naive Bayes, Support Vector Machine (SVM), Orange Data Mining, ROC Curve, AUC, Klasifikasi, Evaluasi ModelAbstract
Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma klasifikasi, yaitu Naive Bayes dan Support Vector Machine (SVM), dalam mengklasifikasikan data menggunakan tools Orange Data Mining. Pengujian dilakukan dengan metode cross-validation dan hasilnya divisualisasikan melalui ROC Curve untuk menilai kemampuan diskriminatif masing-masing model. Berdasarkan hasil analisis, model Naive Bayes (kurva hijau) menunjukkan kinerja yang lebih baik dibandingkan SVM (kurva oranye). Hal ini terlihat dari posisi kurva Naive Bayes yang lebih dekat ke titik ideal pada grafik ROC serta nilai AUC (Area Under Curve) yang lebih tinggi, yaitu 0.901 dibandingkan 0.818 pada SVM. Nilai AUC yang lebih besar menunjukkan bahwa Naive Bayes memiliki kemampuan yang lebih unggul dalam membedakan antara kelas positif dan negatif. Dengan demikian, dapat disimpulkan bahwa algoritma Naive Bayes merupakan model yang lebih efektif dan direkomendasikan untuk digunakan dalam proses klasifikasi pada dataset ini, terutama ketika tujuan utama adalah meningkatkan kemampuan model dalam membedakan kelas target.
Downloads
References
[1] N. Trivetisia, R. D. Ramadhani, and M. Wibowo, “Perbandingan Algoritme Naïve Bayes dan C4.5 Pada Pengklasifikasian Tingkat Pemahaman Belajar Mahasiswa Dalam Pembelajaran Daring,” Progresif J. Ilm. Komput., vol. 19, no. 1, p. 323, 2023, doi: 10.35889/progresif.v19i1.1081.
[2] J. R. N. A. Gunawardana, S. D. Viswakula, R. P. Rannan-Eliya, and N. Wijemunige, “Machine learning approaches for asthma disease prediction among adults in Sri Lanka,” Health Informatics J., vol. 30, no. 3, 2024, doi: 10.1177/14604582241283968.
[3] A. Wantoro et al., “Evaluasi Kinerja Algoritma Machine Learning ( Ml ),” JIP (Jurnal Inform. Polinema), vol. 11, no. Ml, pp. 311–316, 2025.
[4] S. C. Bilqisth and R. Muhamad Ikhsanuddin, “Analisis Perbandingan Akurasi Klasifikasi Kepuasan Siswa Terhadap Kinerja Guru Menggunakan Algoritma Svm, C4.5 Dan Random Forest,” E-Link J. Tek. Elektro dan Inform., vol. 20, no. 1, pp. 37–44, 2025, doi: 10.30587/e-link.v20i1.9719.
[5] J. L. Rizky and Z. P. Putra, “Analisis Perbandingan Algoritma Pembelajaran Mesin untuk Meningkatkan Akurasi dan Klasifikasi Tumor Otak,” 2024. doi: 10.20961/ijai.v9i1.90101.
[6] Y. Tong, B. Lin, G. Chen, and Z. Zhang, “Predicting Continuity of Asthma Care Using a Machine Learning Model: Retrospective Cohort Study,” Int. J. Environ. Res. Public Health, vol. 19, no. 3, 2022, doi: 10.3390/ijerph19031237.
[7] S. Xiong, W. Chen, X. Jia, Y. Jia, and C. Liu, “Machine learning for prediction of asthma exacerbations among asthmatic patients: a systematic review and meta-analysis,” BMC Pulm. Med., vol. 23, no. 1, pp. 1–15, 2023, doi: 10.1186/s12890-023-02570-w.
[8] T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.
[9] A. A. Syam, G. Hardy M, A. Salim, D. F. Surianto, and M. Fajar B, “Analisis Teknik Preprocessing Pada Sentimen Masyarakat Terkait Konflik Israel-Palestina Menggunakan Support Vector Machine,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 3, pp. 1464–1472, 2024, doi: 10.29100/jipi.v9i3.5527.
[10] Jupron and Sutrisno, “Analysis of Heart Disease Using the Random Forest Method,” J. Inotera, vol. 10, no. 1, pp. 167–174, 2025, doi: 10.31572/inotera.vol10.iss1.2025.id452.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Sarman Sarman
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.