Perbandingan Metode Probabilistik Naive Bayesian Classifier dan Jaringan Syaraf Tiruan Learning Vector Quantization dalam Kasus Klasifikasi Penyakit Kandungan

Abstract

Penyakit kandungan merupakan momok menakutkan bagi kaum wanita. Hal tersebut dikarenakan kaum wanita sangat beresiko tinggi untuk terkena penyakit kandungan. Penyakit kandungan yang dimaksud dalam penelitian ini adalah radang panggul, mioma uteri, kanker serviks, dan kanker ovarium. Penelitian ini mengajukan dua pendekatan berbeda untuk penyelesaian kasus diagnosa penyakit kandungan, yaitu pendekatan probabilistik dengan Naïve Bayesian Classifier dan jaringan syaraf tiruan Learning Vector Quantization. Pada pendekatan Naïve Bayesian Classifier digunakan laplacian smoothing sehingga dapat menghindari kegagalan klasifikasi, yang diharapkan dapat meningkatkan performa dari Naïve Bayesian Classifier dalam penyelesaian kasus ini. Begitu juga pada metode Learning Vector Quantization, dilakukan pemilihan model paling tepat berdasar kepada tiga parameter yaitu learning rate, learning rate reduction, dan epoh. Pengujian dilakukan dengan menggunakan prosedur random stratified and repeated holdout pada empat skenario simulasi dengan porsi data training dan testing: 20/80, 40/60, 60/40, dan 80/20. Dari hasil uji coba dapat ditunjukkan bahwa metode Naïve Bayesian Classifier dengan penambahan Laplacian Smoothing memiliki tingkat akurasi pengujian paling tinggi, yaitu secara berturut-turut 88%, 92.4%, 92.8% dan 92.4% dibandingkan dengan Naïve Bayesian Classifier tanpa Laplacian Smoothing (32%; 67.8%; 79%; 89.6%) dan Learning Vector Quantization (82.4%; 88.8%; 89.4%; 95.2%). Dalam hal kecepatan pembelajaran, Learning Vector Quantization dapat menyelesaikan proses pembelajaran dengan waktu yang lebih singkat dari Naïve Bayesian Classifier, hal tersebut dikarenakan pada kasus ini Learning Vector Quantization dapat memberikan performa yang baik dengan jumlah epoh yang relatif kecil. Secara umum Naïve Bayesian Classifier dengan Laplacian Smoothing merupakan metode paling baik dalam menyelesaikan kasus klasifikasi penyakit kandungan.