Perbandingan Pengklasifikasian Penyakit Parkinson Menggunakan Algoritma Naive Bayes, Random Forest, dan Regresi Logistik

Michael Emmanuel Purba, Angga Zefanya Situmorang, Muhammad Wahyu Pratama Lubis

Abstract


Penyakit Parkinson (PP) merupakan kondisi neurodegeneratif kronis dan progresif yang menjadi penyebab kedua tertinggi setelah Alzheimer. Penyakit ini disebabkan oleh kerusakan sel saraf pada substantia nigra dan akumulasi protein abnormal berupa Lewy bodies, dengan prevalensi yang meningkat pada kelompok usia lanjut. Penelitian ini bertujuan untuk membandingkan performa algoritma Naive Bayes, Random Forest, dan Regresi Logistik dalam mengklasifikasikan penyakit Parkinson menggunakan dataset dari Kaggle yang terdiri dari 2.105 data dengan 35 atribut. Tahapan preprocessing mencakup penghapusan atribut yang tidak relevan, pengecekan distribusi kelas, serta pembagian data latih dan uji secara stratifikasi. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memiliki performa terbaik dengan skor ROC mencapai 0,97, menjadikannya model paling efektif untuk mendukung diagnosis dini penyakit Parkinson secara cepat, akurat, dan efisien.

Keywords


Penyakit Parkinson; algoritma Naive Bayes; Random Forest; Regresi Logistik; klasifikasi

Full Text:

PDF

References


S. Alia et al., “Penyakit Parkinson: Tinjauan Tentang Salah Satu Penyakit Neurodegeneratif yang Paling Umum,” Aksona, vol. 1, no. 2, pp. 95–99, 2022, doi: 10.20473/aksona.v1i2.145.

A. R. Onibala, C. D. Mambo, and A. S. R. Masengi, “Peran Vitamin dalam Penanganan Penyakit Parkinson,” Jurnal Biomedik (Jbm), vol. 13, no. 3, p. 322, 2021, doi: 10.35790/jbm.13.3.2021.31956.

W. Z. Aprilita, R. Akbar, R. Cahyadi Prayogi, T. Informatika, and S. Amik Riau, “SENTIMAS: Seminar Nasional Penelitian dan Pengabdian Masyarakat Comparison of K-Nearest Neighbor (KNN) and Naive Bayes Algorithms in the Classification of Parkinson’s Disease Komparasi Algoritma K-Nearest Neighbor (KNN) dan Naive Bayes dalam Klasifikasi P,” pp. 188–193, 2023, [Online]. Available: https://journal.irpi.or.id/index.php/sentimas

N. Fajar Susanti, S. Ns Ida Djafar, Mk. Ns Robiul Fitri Masithoh, Mk. dr Frisca Angreni, Mb. Deniyati, and Ms. dr Atika Indah Sari Ns Tria Prasetya Hadi, Penyakit Muskuloskeletal. 2024. [Online]. Available: http://repository.uki.ac.id/15073/

O. B. Tysnes and A. Storstein, “Epidemiology of Parkinson’s disease,” J Neural Transm, vol. 124, no. 8, pp. 901–905, 2017, doi: 10.1007/s00702-017-1686-y.

W. Muangpaisan, H. Hori, and C. Brayne, “Systematic review of the prevalence and incidence of Parkinson’s disease in Asia,” J Epidemiol, vol. 19, no. 6, pp. 281–293, 2009, doi: 10.2188/jea.JE20081034.

S. A. Tanazza and L. M. Erawati, “Analisis Intervensi Fisioterapi Pada Penyakit Parkinson Menggunakan Vosviewer,” Physio Journal, vol. 2, no. 2, pp. 49–60, 2022, doi: 10.30787/phyjou.v2i2.877.

F. M. Januarsyah, E. Zuhairi, and R. M. Firsandaya, “Perbandingan Algoritma Random Forest, Decision Stump, Naïve Bayes, Bayesian Network dan Algoritma C4.5 Untuk Prediksi Pola Kartu Poker,” Prosiding Annual Research Seminar, vol. 5, no. 1, pp. 122–126, 2019, [Online]. Available: https://archive.ics.uci.edu/ml/datasets/Poker+Hand.

K. Chandel, V. Kunwar, S. Sabitha, T. Choudhury, and S. Mukherjee, “A comparative study on thyroid disease detection using K-nearest neighbor and Naive Bayes classification techniques,” CSI Transactions on ICT, vol. 4, no. 2–4, pp. 313–319, 2016, doi: 10.1007/s40012-016-0100-5.

Linlin Lindayani, Dewi Marfuah, Diwa Agus Sudrajat, and Eva Supriatin, “Literature Review Efektivitas Latihan Aerobik Dalam Meningkatkan Fungsi Motorik Pada Lansia Dengan Penyakit Parkinson,” Risenologi, vol. 6, no. 1a, pp. 100–108, 2021, doi: 10.47028/j.risenologi.2021.61a.220.

D. Intern, “Apa itu Machine Learning? Beserta Pengertian dan Cara Kerjanya,” dicoding. [Online]. Available: https://www.dicoding.com/blog/machine-learning-adalah/

A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT (Indonesian Journal on Computer and Information Technology), vol. 5, no. 1, pp. 75–82, 2020, doi: 10.31294/ijcit.v5i1.7951.

H. Abijono, P. Santoso, and N. L. Anggreini, “Algoritma Supervised Learning Dan Unsupervised Learning Dalam Pengolahan Data,” Jurnal Teknologi Terapan: G-Tech, vol. 4, no. 2, pp. 315–318, 2021, doi: 10.33379/gtech.v4i2.635.

A. Z. Macfud, A. P. Kusuma, and W. D. Puspitasari, “Analisis Algoritma Naive Bayes Classifier ( Nbc ),” vol. 7, no. 1, pp. 87–94, 2023.

R. Supriyadi, W. Gata, N. Maulidah, and A. Fauzi, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” E-Bisnis?: Jurnal Ilmiah Ekonomi dan Bisnis, vol. 13, no. 2, pp. 67–75, 2020, doi: 10.51903/e-bisnis.v13i2.247.

Y. S. Nugroho and N. Emiliyawati, “Sistem Klasifikasi Variabel Tingkat Penerimaan Konsumen Terhadap Mobil Menggunakan Metode Random Forest,” Jurnal Teknik Elektro, vol. 9, no. 1, pp. 24–29, 2017.

G. A. Sandag, “Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest,” CogITo Smart Journal, vol. 6, no. 2, pp. 167–178, 2020, doi: 10.31154/cogito.v6i2.270.167-178.

N. Ranti, M. 1?, K. H. Hanif, C. Nisa, S. Informasi, and B. Kaltara, “Perbandingan Algoritma Regresi Logistik, Support Vector Machine, dan Gradient Boosting Pada Analisis Sentimen Data Komentar Siswa,” vol. 4, no. 2, pp. 27–32, 2023, [Online]. Available: http://creativecommons.org/licences/by/4.0/%0Ahttp://ejournal.uhb.ac.id/index.php/IKOMTI

A. Regresi, “Penerapan CRISP-DM untuk Deteksi Eksoplanet menggunakan,” vol. 4, pp. 160–169, 2024.

T. Purwa, “Perbandingan Metode Regresi Logistik dan Random Forest untuk Klasifikasi Data Imbalanced (Studi Kasus: Klasifikasi Rumah Tangga Miskin di Kabupaten Karangasem, Bali Tahun 2017),” Jurnal Matematika, Statistika dan Komputasi, vol. 16, no. 1, p. 58, 2019, doi: 10.20956/jmsk.v16i1.6494.

A. Salim and M. R. Alfian, “Optimalisasi Regresi Logistik Menggunakan Algoritma Genetika Pada Data Klasifikasi,” Jurnal Teknologi Informasi dan Terapan, vol. 6, no. 2, pp. 50–55, 2019, doi: 10.25047/jtit.v6i2.109.

W. Li, P. Liu, Q. Zhang, and W. Liu, “An improved approach for text sentiment classification based on a deep neural network via a sentiment attention mechanism,” Future Internet, vol. 11, no. 4, 2019, doi: 10.3390/FI11040096.

E. Fauziningrum, M. Pd and M. P. Encis Indah Suryaningsih, S.T., “Evaluasi Dan Prediksi Penguasaan Bahasa Inggris Maritim Menggunakan Metode Decision Tree Dan Confusion Matrix (Studi Kasus Di Universitas Maritim Amni),” Angewandte Chemie International Edition, 6(11), 951–952., pp. 5–24, 2021.

Widia, Z. Y. Aqsalia, S. Sari, N. U. Khoirunisa, and F. Kurniawan, “Optimasi Algoritma Naive Bayes Untuk Menganalisis Sentimen Pada Konten Pemindahan Ibu Kota di Youtube,” Journal of Computer and Information Systems Ampera, vol. 5, no. 2, pp. 68–83, 2024.

C. Yulianto, “Model Penilaian Tanah Massal Berbasis Parcel-Based Mass Valuation Using Random Forest in Surakarta City,” pp. 26–39, 2024.

A. M. Widodo, Y. S. Anggraeni, N. Anwar, A. Ichwani, and B. A. Sekti, “Performansi K-NN, J48, Naive Bayes dan Regresi Logistik sebagai Algoritma Pengklasifikasi Diabetes,” Prosiding SISFOTEK, vol. 5, no. 1, pp. 27–33, 2021, [Online]. Available: https://scholar.google.com/citations?view_op=view_citation&hl=en&user=FOwZ8hUAAAAJ&pagesize=100&citation_for_view=FOwZ8hUAAAAJ:a3BOlSfXSfwC




DOI: https://doi.org/10.55601/jsm.v26i1.1466

Refbacks

  • There are currently no refbacks.


Open Access

Indexing JSM:

   

      

 

Fakultas Informatika
Universitas Mikroskil
Jl. Thamrin No. 124 Medan - 20212
Gedung C.L6
Telp. 061-4573767
Email : jsm.fi@mikroskil.ac.id