Analisa Perbandingan Keputusan Metode Klasifikasi Decision Tree dan Naïve Bayes dalam Penentuan Diagnosa Hipertensi

Dunia bisnis yang penuh persaingan membuat para pelakunya harus selalu memikirkan strategi-strategi terobosan yang dapat menjamin kelangsungan bisnis mereka.Salah satu aset utama yang dimiliki oleh Perusahaan masa kini adalah data bisnis dalam jumlah yang luar biasa banyak. Ini melahirkan kebutuhan akan adanya teknologi yang dapat memanfaatkannya untuk membangkitkan “pengetahuan-pengetahuan” baru, yang dapat membantu dalam pengaturan strategi bisnis. Teknologi data mining hadir sebagai solusi. Makalah ini akan mengulas permasalahan bisnis yang ada dalam mendeteksi potensi hipertensi dari data-data histroris atau data set yang ada selama ini. Metode yang digunakan dalam penulisan ini adalah Decision Tree dan Naive-Bayes yang sama-sama merupakan bagian dari metode Data Mining Klasifikasi (Supervised Learning).Metode Decision Tree dan Metode Naive mengubah data training yang dinyatakan dalam bentuk tabel dengan atribut dan record menjadi menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan (rule).Metode Naïve Bayes data dinyatakan dalam tabel dengan atribut dan record terutama untuk data-data-data yang tidak konsisten maupun bias untuk mendapatkan hipotesis dari suatu keputusan. Dari data training yang diolah terdapat perbedaan keputusan yang dihasilkan antar kedua metode tersebut, hal ini terlihat pada proses pembentukan pohon / tree pada tree yang dikembangkan untuk  atribut usia dengan instance tua terdapat 1 data training yang menyatakan ya dan 1 data menyatakan tidak, maka untuk menentukan pilihan memerlukan campur tangan seorang pakar, sehingga dapat disimpulkan bahwa pada proses pembentukan tree jika terdapat kondisi leaf node memiliki nilai entropy yang sama, maka membutuhkan inputan pengetahuan dari sang pakar. Hasil keputusan dari metode Naïve Bayes lebih akurat dari pada hasil keputusan metode Decision Tree