ANALISIS PERBANDINGAN ALGORITMA DECISION TREE DAN NAIVE BAYES UNTUK KLASIFIKASI GEJALA CACAR MONYET MENGGUNAKAN KNIME ANALYTICS

Cacar monyet merupakan penyakit zoonosis yang disebabkan oleh virus monkeypox, dan penularannya yang relatif cepat menjadikan penyakit ini perlu diidentifikasi sejak dini untuk
mencegah penyebaran yang lebih luas. Permasalahan yang dihadapi adalah belum tersedianya metode klasifikasi gejala yang optimal dan mudah diimplementasikan untuk mendeteksi cacar monyet secara cepat dan akurat. Penelitian ini bertujuan untuk membandingkan kinerja dua
algoritma klasifikasi populer, yaitu Decision Tree dan Naïve Bayes, dalam mengklasifikasikan data gejala cacar monyet menggunakan platform KNIME Analytics. Proses penelitian diawali dengan tahapan preprocessing data, yang meliputi penghapusan atribut tidak relevan, penyeimbangan data, serta pembagian data menjadi data tranning dan data uji. Setelah itu, model klasifikasi dibangun menggunakan kedua algoritma, dan kinerjanya diuji serta dibandingkan menggunakan metrik evaluasi seperti akurasi, precision, recall, F1-score, dan Area Under Curve (AUC). Hasil evaluasi menunjukkan bahwa algoritma Naïve Bayes memberikan performa yang lebih baik dibandingkan Decision Tree, dengan nilai akurasi sebesar 64% dibandingkan 58%, nilai AUC sebesar 0,672 dibandingkan 0,567, serta nilai F1-
score positif sebesar 68,4% dibandingkan 62,5%. Hal ini mengindikasikan bahwa Naïve Bayes lebih unggul dalam melakukan klasifikasi gejala cacar monyet pada dataset yang digunakan. Hasil penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem deteksi dini penyakit berbasis data mining, khususnya dalam penanganan penyakit menular seperti cacar monyet secara lebih efisien dan akurat.