Kolaborasi Naïve Bayes dan AdaBoost dalam Klasifikasi Bakteri E.coli

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.