Optimasi K-Nearest Neighbour dengan Penerapan Algoritma Adaboost dalam Peningkatan Akurasi Klasifikasi Penyakit Demam Berdarah (DBD) dan Tifus

Abstract

During a pandemic like today, exactness and accuracy in giving a verdict on a type of disease is very crucial. There are many types of diseases that have almost similar symptoms such as dengue haemoragic fever (DHF) and typhus. The level of accuracy in an algorithm in classifying a disease is very important. The application of the KNN algorithm in cases of classifying dengue fever and typhus aims to obtain good classification accuracy results. Then in this study, the authors combined KNN with the Adaboost algorithm to obtain more optimum accuracy results than the results obtained from computing the KNN algorithm independently. In this study, the author uses the K-Nearest Neighbor (KNN) algorithm as the base learner of the adaptive boosting algorithm (Adaboost). Adaboost is a boosting method that is able to give weight to the classification error level that can change the distribution of data. By adding error weights to the wrong classification results, it is hoped that the next classification results will be correct and can increase the accuracy to be more optimum. The experimental results show that the Adaboost method with the base learner K-Nearest Neighbor (KNN) has an accuracy of 95.54%, a precision of 97.43% and a recall value of 90.47%. While the accuracy value of K-Nearest Neighbor (KNN) is 90.17%, precision and recall are 96.96% and 76.19%, respectively.

Pada masa pandemi seperti saat ini, ketepatan dan keakuratan dalam memberikan vonis terhadap suatu jenis penyakit menjadi sangat krusial. Ada banyak jenis penyakit yang memiliki gejala yang hampir serupa seperti demam berdarah (DBD) dan tifus. Ketepatan dan tingkat akurasi pada suatu algoritma dalam mengklasifikasi suatu penyakit menjadi sangat penting. Penerapan algoritma KNN pada kasus pengklasifikasian penyakit demam berdarah dan tifus bertujuan untuk mendapatkan hasil akurasi klasifikasi yang baik. Kemudian dalam penelitian ini, penulis melakukan kombinasi KNN dengan algoritma Adaboost untuk mendapatkan hasil akurasi yang lebih optimum daripada hasil yang diperoleh dari komputasi algortma KNN secara mandiri. Dalam penelitian ini, penulis menggunakan algoritma K-Nearest Neighbor (KNN) sebagai base learner dari algoritma adaptive boosting (Adaboost). Adaboost adalah metode boosting yang mampu memberikan bobot pada tingkat error klasifikasi yang dapat merubah distribusi data. Dengan menambahkan bobot error pada hasil klasifikasi yang salah diharapkan hasil klasifikasi selanjutnya menjadi benar dan dapat meningkatkan akurasi menjadi lebih optimum. Hasil percobaan yang dilakukan menunjukkan hasil bahwa metode Adaboost dengan base learner K-Nearest Neighbor (KNN) mempunyai akurasi sebesar 95.54%, precision sebesar 97.43% dan nilai recall sebesar 90.47%. Sedangkan nilai akurasi K-Nearest Neighbor (KNN) adalah sebesar 90.17%, nilai precision dan recall yang masing-masing sebesar 96.96% dan 76.19%.