KODE ICD-X
4.4 Perbandingan Algoritma Decision Tree J48 dan Naïve Bayes
4.4.1 ROC AREA
Untuk menentukan kinerja identifikasi, ROC (Receiver Operating Characteristic) adalah analisis yang digunakan. Berdasarkan kurva yang dibentuk oleh ROC kesalahan dalam distribusi dapat diidentifikasi oleh algoritma dengan baik.
86
• U00-U99
Gambar 4.13 Kurva ROC UOO-U99
Grafik pada gambar 4.13, menggambarkan, ROC area Class U00-U99 yang menggunakan classifier Naïve Bayes menghasilkan kurva yang lebih baik, sebab terlihat classifier naïve bayes lebih menghasilkan kurva yang lebih stabil dan mengalami kenaikan yang konstan. Sedangkan kurva yang dihasilkan menggunakan classifier Decision Tree J48 hasilnya tidak lebih baik dibandingkan dengan kurva yang dihasikan menggunakan naïve bayes. Terlihat pada kurva yang dihasilkan Decision Tree J48 garis kurva mengalami kenaikan, tetapi kenaikannya tidak konstan dan garis yang dihasilkan lebih tipis dibandingkan dengan garis yang dihasilkan pada kurva yang menggunakan classifier Naïve
• A00-B99
Grafik pada gambar 4.14 menggambarkan ROC class A00-B99, kurva yang dihasilkan menggunakan classifier Naïve Bayes memiliki Kurva yang lebih baik, Kurva yang dihasilkan lebih stabil dibandingkan kurva yang menggunakan classifier Decision Tree J48 yang lebih fluktuatif. Dan dapat dilihat juga garis kurva yang dihasilkan Naïve Bayes lebih tebal dibandingkan yang dihasilkan Decision Tree J48.
• C00-D48
Gambar 4.15 Kurva ROC C00-D48
Grafik pada gambar 4.15 menggambarkan kurva yang dihasilkan menggunakan classifier Naïve Bayes lebih baik dibandingkan menggunakan classifier Decision Tree J48. Kurva yang dihasilkan Classifier decision tree J48 memiliki garis lebih tipis dan kurva yang lebih landau dibandingkan dengan yang mengguanakan classifier Decision Tree J48.
• E00-E90
88
Grafik pada gambar 4.16 menggambarkan kurva yang dihasilkan menggunakan classifier Decision Tree J48 dan Naïve Bayes memiliki hasil yang tidak jauh berbeda. Tetapi yang menggunakan classifier Decision Tree J48 memiliki hasil yang lebih baik dibandingkan Naïve Bayes. Classifier Decision Tree J48 menghasilkan ROC area sebesar 0.6677 sedangkan ROC yang dihasilkan menggunakan classifier Naïve Bayes hanya sebesar 0.6564. • G00-G99
Gambar 4.17 Kurva ROC G00-G99
Grafik pada gambar 4.17 menggambarkan kurva yang dihasilkan dengan menggunakan classifier Decision Tree J48 dan Naïve Bayes. Dari dua classifier tersebut menghasilkan hasil ROC area yang sama, yaitu sebesar 0.5218.
• I00-I99
Grafik pada gambar 4.18 menggambarkan kurva yang dihasilkan dengan menggunakan classifier Decision Tree J48 dan Naïve Bayes. Dapat dilihat kedua classifier tersebut menghasilkan nilai ROC area yang relatif sama. Tetapi ROC area yang dihasilkan menggunakan classifier decision tree j48 lebih baik dibandingkan dengan menggunakan classifier naïve bayes. ROC area yang dihasilkan menggunakan Decision Tree J48 sebesar 0.6156 sedangkan yang menggunakan Naïve Bayes sebesar 0.6097
• J00-J99
Gambar 4.19 Kurva ROC J00-J99
Grafik pada gambar 4.19, menggambarkan kurva yang dihasilkan dengan menggunakan classifier Decision Tree J48 dan Naïve Bayes. Dapat dilihat kedua classifier tersebut menghasilkan nilai ROC area yang tidak jauh berbeda. ROC yang dihasilkan dengan menggunakan classifier Decision Tree J48 sebesar 0.5997 sedangkan ROC yang dihasilkan menggunakan Naïve Bayes hanya sebesar 0.5832.
• K00-K93
Gambar 4.20 Kurva ROC K00-K93
90
Grafik pada gambar 4.20 menggambarkan ROC area yang dihasilkan menggunakan dua classifier yaitu Decision Tree J48 dan Naïve Bayes. Classifier yang menghasilkan nilai ROC yang lebih baik yaitu yang menggunakan Naïve Bayes. Terlihat kurva yang dihasilkan menggunakan Naïve Bayes memiliki garis yang lebih tebal dan stabil.
• L00-L99
Gambar 4.21 Kurva ROC L00-L99
Grafik pada gambar 4.21 menggambarkan ROC area yang dihasilkan menggunakan dua classifier yaitu Decision Tree J48 dan Naïve Bayes. Classifier yang menggunakan Naïve Bayes menghasilkan kurva yang lebih baik, karena mengalami kenaikan yang konstan sehingga menghasilkan nila 0.6661 sedangkan Naïve Bayes memiliki kurva yang fluktuatif dan hanya menghasilkan nilai ROC sebesar 0.5943
• M00-M99
Gambar 4.22 Kurva ROC M00-M99
Grafik pada gambar 4.22 menggambarkan ROC area yang dihasilkan menggunakan dua classifier yaitu Decision Tree J48 dan Naïve Bayes. Classifier yang menggunakan Decision Tree J48 menghasilkan kurva yang lebih baik, karena mengalami kenaikan yang konstan sehingga menghasilkan nila 0.5878 sedangkan Naïve Bayes memiliki kurva yang fluktuatif dan hanya menghasilkan nilai ROC sebesar 0.5693
• N00-N99
Gambar 4.23 Kurva ROC N00-N99
Grafik pada gambar 4.23 menggambarkan ROC area yang dihasilkan menggunakan dua classifier yaitu Decision Tree J48 dan Naïve Bayes. Kurva yang dihasilkan Naïve Bayes lebih baik dibandingkan yang menggunakan Decision Tree J48. Hal tersebut dapat dilihat melalui kurva yang dihasilkan menggunakan Naïve Bayes, pada kurva ini Naïve Bayes menghasilkan kurva yang lebih stabil dibandingkan dengan Decision Tree J48.
• R00-R99
92
Grafik pada gambar 4.24 menggambarkan ROC area yang dihasilkan menggunakan dua classifier yaitu Decision Tree J48 dan Naïve Bayes. Kedua classifier menghasilkan nilai ROC yang tidak jauh berbeda. Kurva yang dihasilkan Decision Tree J48 memiliki nilai ROC 0.3453 sedangkan yang dihasilkan Naïve Bayes hanya bernilai 0.313
• S00-T98
Gambar 4.25 Kurva ROC S00-T98
Grafik pada gambar 4.25 menggambarkan ROC area yang dihasilkan menggunakan dua classifier yaitu Decision Tree J48 dan Naïve Bayes. Kurva yang dihasilkan menggunakan classifier Naïve Bayes mengasilkan ROC area yang lebih baik sebesar 0.7492 sedangkan ROC area yang dihasilkan menggunakan classifier Decision Tree J48 hanya sebesar 0.6576. Terlihat perbedaan kurva yang dihasilkan, kurva yang dihasilkan menggunakan Naïve Bayes mempunyai garis yang lebih tebal.
• Z00-Z990
Grafik pada gambar 4.26 menggambarkan ROC area yang dihasilkan menggunakan dua classifier yaitu Decision Tree J48 dan Naïve Bayes. Kedua classifier tersebut menghasilkan kurva yang tidak jauh berbeda. Naïve Bayes menghasilkan nilai ROC area sebesar 0.6179 dan kurva yang dihasilkan menggunakan Decision Tree J48 bernilai 0.6137.
Tabel 4.16 Perbandingan Algoritma Decision Tree J48 dan Naïve Bayes
KODE ICD-X
Decision Tree
Naïve Bayes
Better
U00-U99 0.5956 0.605 Naïve Bayes
A00-B99 0.715 0.735 Naïve Bayes
C00-D48 0.5169 0.5527 Naïve Nayes
E00-E90 0.6677 0.6564 Decision Tree
G00-G99 0.5128 0.5128 Both
I00-I99 0.6156 0.6097 Decision Tree
J00-J99 0.5997 0.5832 Decision Tree K00-K93 0.6189 0.6159 Decision Tree L00-L99 0.5943 0.6661 Naïve Bayes M00-M99 0.5878 0.5693 Decision Tree N00-N99 0.6527 0.6982 Naïve Bayes R00-R99 0.3453 0.313 Decision Tree S00-T98 0.6576 0.7492 Naïve Bayes Z00-Z990 0.6137 0.6179 Naïve Bayes
Dari data tabel 4.16 Algoritma naïve bayes lebih baik dalam melakukan pengklasifikasian penyakit. Algoritma Naïve Bayes lebih baik dalam mengklasifikasikan penyakit dengan kode U00-U99,A00-B99, C00-D48, L00-L99, N00-N99, S00-T98 dan Z00-Z99. Sedangkan Algoritma Decision Tree J48 hanya baik dalam mengklasifikasikan penyakit dengan kode E00-E90, I00-I99, J00-J99, K00-K93, M00-M99 dan R00-R99. Sedangkan pengklasifikasian penyakit dengan kode icdx G00-G99, kedua algoritma sama-sama dapat mengklasfikasikannya dengan nilai ROC area yang sama.