Perbandingan Algoritma K-Nearest Neighbor dengan Naive Bayes pada Klasifikasi Penyakit Jantung

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga dibutuhkan sistem klasifikasi yang akurat dan efisien untuk mendukung deteksi dini. Penelitian ini bertujuan untuk membandingkan dua algoritma klasifikasi, yaitu K-Nearest Neighbor dan Naive Bayes, dalam mengklasifikasikan penyakit jantung berdasarkan data medis. Dataset yang digunakan diperoleh dari platform Kaggle dengan total 1.025 data dan 14 atribut. Tahapan penelitian mencakup pengumpulan data, transformasi atribut target, pembagian data menjadi data latih dan data uji dengan rasio 70:30, penerapan masing-masing algoritma, serta pengujian model menggunakan RapidMiner. Evaluasi hasil klasifikasi dilakukan dengan menggunakan confusion matrix, dengan fokus pada metrik akurasi, presisi, recall, dan F1-score. Berdasarkan hasil pengujian, algoritma K-Nearest Neighbor memperoleh akurasi sebesar 92,86%, presisi 97,89%, recall 87,97%, dan F1-score 92,62%. Sementara itu, algoritma Naive Bayes menghasilkan akurasi 81,49%, presisi 81,37%, recall 82,91%, dan F1-score 82,14%. Hasil ini menunjukkan bahwa algoritma K-Nearest Neighbor lebih optimal dan konsisten dalam mengklasifikasikan data penyakit jantung dibandingkan Naive Bayes. Selain itu, performa K-Nearest Neighbor dalam penelitian ini berhasil mengungguli penelitian sebelumnya yang menggunakan pendekatan Hybrid Model dengan akurasi sebesar 84,48%. Dengan demikian, penerapan algoritma K-Nearest Neighbor terbukti efektif dalam klasifikasi penyakit jantung dan dapat dimanfaatkan dalam pengembangan sistem pendukung keputusan di bidang kesehatan