FIRMAN ZAHRI, -
(2025)
PERBANDINGAN NAÏVE BAYES DAN K-NEAREST
NIGHBOR (K-NN) UNTUK KLASIFIKASI PENYAKIT
GAGAL JANTUNG.
Journal of Information System Research (JOSH), 6 (2).
pp. 999-1007.
ISSN 2686-228X
Abstract
Penyakit yang dikenal sebagai gagal jantung, di mana jantung tidak dapat memompa darah dalam jumlah yang cukup
untuk memenuhi kebutuhan tubuh akan oksigen dan nutrisi, tidak boleh dianggap enteng. Hal ini dapat mengakibatkan sejumlah
gejala, seperti kelelahan, retensi cairan, dan dispnea. Federasi Jantung Dunia memperkirakan bahwa hingga 1,8 juta orang di
Asia Tenggara menderita gagal jantung pada tahun 2014. Untuk perawatan yang cepat dan efisien, gagal jantung merupakan
masalah medis yang perlu diidentifikasi. Penyakit ini berpotensi semakin memburuk jika tidak segera ditangani. Beberapa
metode pembelajaran mesin dapat digunakan untuk membantu diagnosis dan kategorisasi penyakit ini. Salah satunya adalah
algoritma populer yaitu Naive Bayes dan K-Nearest Neighbors. Naive Bayes merupakan algoritma pembelajaran mesin
berbasis probabilitas yang sederhana tetapi sangat efisien, khususnya dalam aplikasi klasifikasi. K-Nearest Neighbors adalah
membandingkan data yang ingin diprediksi dengan sejumlah data terdekatnya dalam ruang fitur berdasarkan jarak tertentu,
seperti jarak Euclidean, Manhattan, atau lainnya. Penelitian ini dilakukan menggunakan Confusion Matrix untuk melakukan
evaluasi sekaligus perbandingan antara algoritma Naive Bayes dan K-Nearest Neighbor dalam kategorisasi penyakit gagal
jantung dengan mengumpulkan data yang berjumlah 918 data pasien gagal jantung yang berasal dari kaggle. Berdasarkan
temuan penelitian, metode K-Nearest Neighbor mencapai skor akurasi 76%, sedangkan pendekatan Naive Bayes yang
mencapai akurasi 90% menggunakan rasio 80:20.
Actions (login required)
 |
View Item |
