Evaluasi Kinerja K-Nearest Neighbors Dan Random Forest Pada Dataset Cacar Monyet Menggunakan Particle Swarm Optimization (Pso)

Abstract

Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja algoritma K-Nearest Neighbors (KNN) dan Random Forest (RF) dalam mengklasifikasikan penyakit cacar monyet (Monkeypox) dengan menerapkan teknik optimasi Particle Swarm Optimization (PSO). PSO digunakan untuk memperoleh parameter optimal pada masing-masing algoritma sehingga mampu meningkatkan akurasi dan efisiensi model klasifikasi. Dataset yang digunakan terdiri atas 10.000 data pasien dengan 11 fitur gejala klinis yang merepresentasikan kondisi kesehatan terkait infeksi cacar monyet dan telah berbentuk data numerik.
Evaluasi performa model dilakukan sebelum dan sesudah proses optimasi menggunakan metrik akurasi, presisi, recall, F1-score, dan sensitivitas. Hasil penelitian menunjukkan bahwa penerapan PSO mampu meningkatkan kinerja kedua algoritma dibandingkan model tanpa optimasi, khususnya dalam meningkatkan akurasi serta keseimbangan antara nilai presisi dan recall. Secara keseluruhan, kombinasi algoritma klasifikasi dengan teknik optimasi PSO menghasilkan performa yang lebih baik dalam mendeteksi penyakit cacar monyet. Penelitian ini diharapkan dapat memberikan kontribusi terhadap pengembangan sistem klasifikasi berbasis pembelajaran mesin yang lebih akurat serta mendukung proses diagnosis dini penyakit cacar monyet secara efektif.