Kecocokan Keputusan Pohon Algoritma pada Kimia Organik: Perbandingan ROC AUC Keputusan Pohon dan Ketetanggaan
DOI:
https://doi.org/10.31004/joecy.v5i2.1649Keywords:
Machine Learning, Decision tree, Naive bayes, Random forest, K-Nearest Neighbour, K-Means, Kimia organikAbstract
Kehadiran Machine Learning (ML) di ruang lingkup komputasi modern telah menyebabkan banyak permasalahan dan solusi, terutama pembahasan algoritma. Penelitian ini menganalisa dan eksplorasi efektifitas lima algoritma ML dalam mengklasifikasi asam amino lazim esensial pada protein berdasarkan strukur molekul dan jumlah atom. Dataset diambil secara manual dari buku kimia organik klasik, yang dikonversi dari rumus dan gambar struktur senyawa asam amino lazim menjadi fitur numerik seperti jumlah atom karbon, hidrogen, nitrogen, oksigen, dan sulfur. Kelima algoritma ML yang dianalisis yakni Decision Tree, Gaussian Naive Bayes, K-Nearest Neighbour (KNN), K-Means, dan Random Forest. Setiap algoritma dilakukan evaluasi menggunakan nilai akurasi, precision, recall, F1-score, serta Area Under the Curve (AUC) dari kurva Receiver Operating Characteristic (ROC). Hasil menunjukkan bahwa algoritma Decision Tree, Random Forest, dan KNN memiliki tingkat akurasi terbaik dengan skor AUC sebesar 0,83. Studi kasus penelitian ini menawarkan pendekatan pengubahan data mentah menjadi fitur yang bisa dimengerti oleh algoritma ML dan klasifikasi biner dengan label nol dan satu pada dataset berskala kecil. Penelitian berikutnya disarankan menggunakan dataset yang lebih besar dan menerapkan validasi silang untuk meningkatkan generalisasi model.
References
A. Yani, “Peran artificial intelligence sebagai salah satu faktor dalam menentukan kualitas mahasiswa di era society 5.0,” Journal of Education Research, no. 2, pp. 1089–1096, 2024, Accessed: Jun. 13, 2025. [Online]. Available: https://jer.or.id/index.php/jer/article/download/963/547/4263
A. Aditya et al., MACHINE LEARNING, 1st ed. SUmatera Barat: PT Global Eksekutif Teknologi, 2023. [Online]. Available: www.globaleksekutifteknologi.co.id
S. T. Jim Mann. A, Buku ajar ilmu gizi, edisi 4., 4th ed. Jakarta: Jakarta : E G C., 2014, 2014.
A. Then, K. Mácha, B. Ibrahim, and S. Schuster, “A novel method for achieving an optimal classification of the proteinogenic amino acids,” Sci Rep, vol. 10, no. 1, Dec. 2020, doi: 10.1038/s41598-020-72174-5.
S. Berber, M. Brückner, N. Maurer, and J. Huwer, “Artificial intelligence in chemistry research─Implications for teaching and learning,” J Chem Educ, Apr. 2025, doi: 10.1021/acs.jchemed.4c01033.
N. Fathiro Cahyono, S. Mukaromah, and K. Uyun, “Etika penggunaan kecerdasan buatan pada teknologi informasi,” Surabaya, Sep. 2023. Accessed: Jun. 19, 2025. [Online]. Available: https://sitasi.upnjatim.ac.id/index.php/sitasi/article/view/334/133
H. Byeon, “Is deep learning better than machine learning to predict benign laryngeal disorders?,” International Journal of Advanced Computer Science and Applications, vol. 12, no. 4, 2021, doi: 10.14569/IJACSA.2021.0120415.
M. T. Almuqati, F. Sidi, S. N. M. Rum, M. Zolkepli, and I. Ishak, “Challenges in supervised and unsupervised learning: A comprehensive overview,” Int J Adv Sci Eng Inf Technol, vol. 14, no. 4, pp. 1449–1455, 2024, doi: 10.18517/ijaseit.14.4.20191.
K. Kristiawan and A. Widjaja, “Perbandingan Algoritma Machine Learning dalam Menilai Sebuah Lokasi Toko Ritel,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no. 1, Apr. 2021, doi: 10.28932/jutisi.v7i1.3182.
D. Hartono Renyut, U. Handayani Makassar, and S. Trinitas Ambon, “Prediksi kelulusan mahasiswa menggunakan algoritma C.45 (studi kasus, sekolah tinggi ilmu administrasi trinitas Ambon),” Jurnal Sistem Informasi dan Teknik Komputer, vol. 7, no. 2, 2022, Accessed: Jun. 15, 2025. [Online]. Available: https://ejournal.catursakti.ac.id/index.php/simtek/article/download/137/143
R. Mubarak, M. Hanafi, and D. Sasongko, “Komparasi performa naive bayes gaussian dan k-NN untuk prediksi kelulusan mahasiswa dengan CRISP-DM,” Media Online), vol. 4, no. 6, pp. 2982–2991, 2024, doi: 10.30865/klik.v4i6.1924.
J. Perintis Kemerdekaan Km, M. Syukri Mustafa, and I. Wayan Simpen, “Implementasi algoritma K-Nearest Neighbor (KNN) untuk memprediksi pasien terkena penyakit diabetes pada puskesmas manyampa Kabupaten Bulukumba,” Aug. 2019. doi: 10.36774/sisiti.v8i1.70.
R. Tri Vulandari, Data science (sains data: Teori dan praktek dengan RStudio), 1st ed. Yogyakarta: Penerbit Gava Media, 2025.
I. Mollas, N. Bassiliades, and G. Tsoumakas, “Conclusive local interpretation rules for random forests,” Apr. 2021, doi: 10.48550/arXiv.2104.06040.
C. Ika Agustyaningrum -, R. Dahlia -, and O. Pahlevi -, “Comparison of conventional machine learning and deep neural network algorithms in the prediction of monkey-pox,” JURNAL RISET INFORMATIKA, vol. 5, no. 3, 2023, doi: 10.34288/jri.v5i2.217.
D. Program, S. I. Administrasi, S. Satya, and N. Palembang, “Penerapan metode clustering k-means terhadap dosen berdasarkan publikasi jurnal nasional dan terakreditasi sinta implementation of k-means clustering method to lecturers based on publications of national journals and accredited sinta,” JSI : Jurnal Sistem Informasi (E-Journal, vol. 16, no. 1, 2024, doi: 10.18495/jsi.v16i1.163.
Z. Zhang, “Variable selection with stepwise and best subset approaches,” Ann Transl Med, vol. 4, no. 7, pp. 136–136, Apr. 2016, doi: 10.21037/atm.2016.03.35.
M. Tajrian, A. Rahman, M. A. Kabir, and M. R. Islam, “Analysis of child development facts and myths using text mining techniques and classification models,” Heliyon, vol. 10, no. 17, p. e36652, Sep. 2024, doi: 10.1016/j.heliyon.2024.e36652.
K. Kristiawan and A. Widjaja, “Perbandingan algoritma machine learning dalam menilai sebuah lokasi toko ritel,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no. 1, Apr. 2021, doi: 10.28932/jutisi.v7i1.3182.
A. Iyamuremye et al., “Utilization of artificial intelligence and machine learning in chemistry education: a critical review,” Discover Education, vol. 3, no. 1, Jul. 2024, doi: 10.1007/s44217-024-00197-5.
Y. Shi, P. L. Prieto, T. Zepel, S. Grunert, and J. E. Hein, “Automated Experimentation Powers Data Science in Chemistry,” Acc Chem Res, vol. 54, no. 3, pp. 546–555, Feb. 2021, doi: 10.1021/acs.accounts.0c00736.
R. J. Fessenden and J. S. Fessenden, Kimia organik edisi 3 jilid 2 / fessenden & fessenden, 3rd ed., vol. 2. Erlangga, 1999.
P. Palinggik Allorerung, A. Erna, M. Bagussahrir, and S. Alam, “Analisis performa normalisasi data untuk klasifikasi K-nearest neighbor pada dataset penyakit,” 2024. Accessed: Jun. 20, 2025. [Online]. Available: https://media.neliti.com/media/publications/485639-pengaruh-normalisasi-data-terhadap-perfo-e19e3a00.pdf
A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi citra menggunakan convolutional neural network dan K fold cross validation,” 2020. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC
M. Azhari, Z. Situmorang, and R. Rosnelly, “Perbandingan akurasi, recall, dan presisi klasifikasi pada algoritma C4.5, random forest, SVM dan naive bayes,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 2, p. 640, Apr. 2021, doi: 10.30865/mib.v5i2.2937.
N. Tiara Rahman, “Analisa algoritma decision tree dan naïve bayes pada pasien penyakit liver,” Jurnal Fasilkom, vol. 10, no. 2, pp. 144–151, Aug. 2020, Accessed: Jun. 13, 2025. [Online]. Available: https://ejurnal.umri.ac.id/index.php/JIK/article/view/2087/1236
J. Y. Verbakel et al., “ROC curves for clinical prediction models part 1. ROC plots showed no added value above the AUC when evaluating the performance of clinical prediction models,” J Clin Epidemiol, vol. 126, pp. 207–216, Oct. 2020, doi: 10.1016/j.jclinepi.2020.01.028.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Muhammad Zirlda Prairi, Zurnan Alfian, Kecitaan Harefa
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
