Kolaborasi Naïve Bayes dan AdaBoost dalam Klasifikasi Bakteri E.coli

Authors

  • Hastari Utama Utama Universitas Amikom Yogyakarta
  • Ahlihi Masruro Universitas Amikom Yogyakarta
  • Agung Triyadi Universitas Amikom Yogyakarta

DOI:

https://doi.org/10.33020/jsimtek.v2i2.756

Keywords:

AdaBoost, E.coli, Klasifikasi, Naive Bayes

Abstract

Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma Naïve Bayes yang di-boosting menggunakan AdaBoost dalam klasifikasi bakteri E.coli. Naïve Bayes sering dianggap sebagai weak classifier karena akurasinya yang kurang optimal pada dataset yang kompleks, sehingga diperlukan metode boosting untuk meningkatkan performanya. AdaBoost dipilih karena kemampuannya memperkuat weak classifiers dengan menyesuaikan bobot pada data yang salah diklasifikasikan, sehingga hasil klasifikasi menjadi lebih akurat. Dataset E.coli yang digunakan dalam penelitian ini terdiri dari 7 fitur biologis yang menggambarkan karakteristik sinyal dan protein. Proses implementasi dilakukan menggunakan Python, Jupyter Notebook, serta library scikit-learn dan imblearn. Evaluasi kinerja dilakukan dengan menggunakan metode 10-fold cross-validation dan confusion matrix. Hasil penelitian menunjukkan bahwa Naïve Bayes yang di-boosting dengan AdaBoost berhasil meningkatkan akurasi klasifikasi dari 76% menjadi 94%, serta meningkatkan rata-rata cross-validation dan geometric mean. Meskipun AdaBoost tidak selalu menjamin peningkatan kinerja pada setiap dataset, kolaborasi kedua algoritma ini terbukti mampu memberikan hasil yang lebih stabil dan akurat pada dataset E.coli  . Penelitian ini menyimpulkan bahwa kombinasi Naïve Bayes dan AdaBoost efektif dalam meningkatkan performa klasifikasi dataset biologis yang kompleks.

Downloads

Download data is not yet available.

References

Byna, A., & Basit, M. (2020). Penerapan Metode AdaBoost Untuk Mengoptimasi Prediksi Penyakit Stroke Dengan Algoritma Naïve Bayes. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 9(3), 407–411. https://doi.org/10.32736/sisfokom.v9i3.1023

Faridah, N., Dewi, C., & Soebroto, A. A. (2021). Hybrid Of AdaBoost Algorithm And Naïve Bayes Classifier On Selection Of Contraception Methods. Journal of Enviromental Engineering and Sustainable Technology, 8(2), 63–69. https://doi.org/10.21776/ub.jeest.2021.008.02.6

Jahromi, A. H., & Taheri, M. (2017). A non-parametric mixture of Gaussian naive Bayes classifiers based on local independent features. 2017 Artificial Intelligence and Signal Processing Conference (AISP), 209–212. https://doi.org/10.1109/AISP.2017.8324083

Li, W., & Li, Q. (2010). Using Naive Bayes with AdaBoost to Enhance Network Anomaly Intrusion Detection. 2010 Third International Conference on Intelligent Networks and Intelligent Systems, 486–489. https://doi.org/10.1109/ICINIS.2010.133

Mahendra, I. G. A. P., Wirawan, I. M. A., & Gunadi, I. G. A. (2024). Enhancement performance of the Naïve Bayes method using AdaBoost for classification of diabetes mellitus dataset type II. International Journal of Advances in Applied Sciences, 13(3), 733. https://doi.org/10.11591/ijaas.v13.i3.pp733-742

Putra, I. M. A. A. D., Sunarya, I. M. G., & Gunadi, I. G. A. (2024). Perbandingan Algoritma Naive Bayes Berbasis Feature Selection Gain Ratio dengan Naive Bayes Kovensional dalam Prediksi Komplikasi Hipertensi. JTIM?: Jurnal Teknologi Informasi Dan Multimedia, 6(1), 37–49. https://doi.org/10.35746/jtim.v6i1.488

Sprugnoli, R., & Tonelli, S. (2019). Novel Event Detection and Classification for Historical Texts. Computational Linguistics, 45(2), 229–265. https://doi.org/10.1162/coli_a_00347

Utami, L. D., & Wahono, R. S. (2015). Integrasi Metode Information Gain untuk Seleksi Fitur dan AdaBoost untuk Mengurangi Bias pada Analisis Sentimen Review Restoran Menggunakan Algoritma Naive Bayes. Journal of Intelligent Systems, 1(2), 120–126. http://journal.ilmukomputer.org/index.php?journal=jis&page=article&op=download&path%5B%5D=50&path%5B%5D=48

Wang, S., Ren, J., Lian, X., Bai, R., & Jiang, X. (2022). Boosting the Discriminant Power of Naive Bayes. 2022 26th International Conference on Pattern Recognition (ICPR), 4906–4912. https://doi.org/10.1109/ICPR56361.2022.9956358

Zhang, J., Huang, W., Ji, D., & Ren, Y. (2021). Globally normalized neural model for joint entity and event extraction. Information Processing and Management, 58(5), 102636. https://doi.org/10.1016/j.ipm.2021.102636

Downloads

PlumX Metrics

Published

2024-07-31

How to Cite

Utama, H. U., Masruro, A., & Triyadi, A. (2024). Kolaborasi Naïve Bayes dan AdaBoost dalam Klasifikasi Bakteri E.coli . Jurnal Sistem Informasi, Manajemen Dan Teknologi Informasi, 2(2), 68–82. https://doi.org/10.33020/jsimtek.v2i2.756

Issue

Vol. 2 No. 2 (2024): Juli

Section

Articles

License

Copyright (c) 2024 Hastari Utama Utama, Ahlihi Masruro, Agung Triyadi

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Dengan mengirimkan manuskrip ke Jurnal Sistem Informasi, Manajemen dan Teknologi Informasi, penulis setuju dengan kebijakan ini. Tidak diperlukan persetujuan dokumen khusus.

  1. Hak cipta pada setiap artikel adalah milik penulis.
  2. Penulis mempertahankan semua hak mereka atas karya yang diterbitkan, tak terbatas pada hak-hak yang diatur dalam laman ini.
  3. Penulis mengakui bahwa Jurnal Sistem Informasi, Manajemen dan Teknologi Informasi sebagai yang pertama kali mempublikasikan dengan lisensi Creative Commons Attribution-ShareAlike 4.0 International License. (CC BY-SA). Lisensi ini mengizinkan setiap orang untuk :
    • Berbagi — menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun;
    • Adaptasi — menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun.
    • Atribusi — Anda harus mencantumkan nama yang sesuai, mencantumkan tautan terhadap lisensi, dan menyatakan bahwa telah ada perubahan yang dilakukan. Anda dapat melakukan hal ini dengan cara yang sesuai, namun tidak mengisyaratkan bahwa pemberi lisensi mendukung Anda atau penggunaan Anda.
    • BerbagiSerupa — Apabila Anda menggubah, mengubah, atau membuat turunan dari materi ini, Anda harus menyebarluaskan kontribusi Anda di bawah lisensi yang sama dengan materi asli.
  4. Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif  dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali Jurnal Sistem Informasi, Manajemen dan Teknologi Informasi;
  5. Penulis menjamin bahwa artikel asli, ditulis oleh penulis yang disebutkan, belum pernah dipublikasikan sebelumnya, tidak mengandung pernyataan yang melanggar hukum, tidak melanggar hak orang lain, tunduk pada hak cipta yang secara eksklusif dipegang oleh penulis.
  6. Jika artikel dipersiapkan bersama oleh lebih dari satu penulis, setiap penulis yang mengirimkan naskah menjamin bahwa dia telah diberi wewenang oleh semua penulis bersama untuk menyetujui hak cipta dan pemberitahuan lisensi (perjanjian) atas nama mereka, dan setuju untuk memberi tahu rekan penulis persyaratan kebijakan ini.  Jurnal Sistem Informasi, Manajemen dan Teknologi Informasi tidak akan dimintai pertanggungjawaban atas apa pun yang mungkin timbul karena perselisihan internal penulis.

Lisensi :

Jurnal Sistem Informasi, Manajemen dan Teknologi Informasi diterbitkan berdasarkan ketentuan Creative Commons Attribution-ShareAlike 4.0 International License. (CC BY-SA).