ALGORITMA MISSFOREST UNTUK PERBAIKAN MISSING VALUE PADA DATASET HEPATITIS MENGGUNAKAN KLASIFIKASI NAÏVE BAYES

Abstract

Hepatitis adalah penyakit peradangan hati yang disebabkan oleh virus hepatitis. Penyakit ini menjadi ancaman kesehatan utama di seluruh dunia, termasuk di Indonesia. Kumpulan data (dataset) tersebut perlu diklasifikasikan sebelum dapat digunakan untuk tujuan medis. Namun, dataset yang tidak lengkap (missing value) dapat menghambat proses klasifikasi. Untuk mengatasi masalah ini, pendekatan yang dapat dilakukan adalah dengan menghapus data yang memiliki missing value atau melakukan perbaikan imputasi dengan metode tertentu. Dalam penelitian ini, terdapat 155 data dan dilakukan dua skenario untuk mengetahui akurasi klasifikasi terbaik. Pada skenario pertama, klasifikasi naïve bayes dilakukan dengan menghapus 75 data yang memiliki missing value. Sedangkan pada skenario kedua, klasifikasi naïve bayes dilakukan setelah melakukan perbaikan imputasi dengan algoritma Missforest pada 75 data dari 155 data. Pengujian dilakukan dengan komposisi data 50:50, 60:40, dan 70:30. Hasil penelitian menunjukkan bahwa pada skenario pertama, akurasi klasifikasi berturut-turut sebesar 87,50%, 87,50%, dan 83,33%. Sementara pada skenario kedua, akurasi klasifikasi berturut-turut sebesar 83,33%, 90,32%, dan 93,62%. Dari hasil ini dapat disimpulkan bahwa penggunaan algoritma Missforest mampu meningkatkan performa pada akurasi klasifikasi naïve bayes.

Kata kunci : Klasifikasi, Missforest, Naïve Bayes