Perbandingan Optimasi Algoritma Klasifikasi Decision Tree, Naive Bayes dan KNN Menggunakan Optimize Parameter Grid Pada Tingkat Resiko Ibu Hamil

Abstract

Salah satu indikator utama dalam menentukan tingkat keberhasilan pembangunan kesehatan ibu adalah berdasarkan AKI (Angka Kematian Ibu). Berdasarkan data Kementrian Kesehatan RI pada tahun 2023 AKI ini masih tinggi. Oleh karena itu, dibutuhkan usaha perawatan yang tepat dengan mampu mengklasifikasikan tingkat risiko ibu hamil menjadi bagian yang penting dalam memastikan kelahiran yang sehat. Dalam penelitian ini, penulis melakukan perbandingan algoritma dan optimasi dimana sumber penelitian menggunakan dataset Maternal Health Risk dari UCI dataset. Dalam uji klasifikasi ini, penulis melakukan optimasi menggunakan Optimize Parameter Grid. Algoritma yang digunakan untuk klasifikasi yaitu Decision Tree ID3, Decision Tree C4.5, Nae Bayes dan KNN. Berdasarkan hasil perhitungan sebelum optimasi, Decision Tree ID3 menjadi akurasi terbaik dengan nilai akurasi sebesar 75,08%, sedangkan Nae Bayes menjadi yang terendah dengan tingkat akurasi 61,31%. Setelah dilakukan optimasi ada fakta yang menarik bahwa Decision Tree ID3 dan Decision Tree C4.5 memiliki nilai akurasi yang sama dan menjadi yang terbaik dengan nilai tingkat akurasi sebesar 83,61 %. Di lain sisi, Nae Bayes masih menjadi yang terendah dan uniknya walaupun sudah dioptimasi ternyata tingkat akurasinya tidak bertambah. Berdasarkan hasil optimasi, KNN menjadi algortima yang mengalami kenaikan cukup signifikan dibanding yang lainnya yaitu sebesar 14,75 %.