Analisis Perbandingan Kinerja Algoritma Naïve Bayes Dan KNN Untuk Memprediksi Penyakit Diabetes
Abstract
Diabetes is a chronic disease affecting various age groups with a risk of fatal complications. Accurate diagnosis is a crucial initial step in management; however, the gradual progression of symptoms often leads to delayed detection. This study compares the accuracy of the Naïve Bayes and K-Nearest Neighbors (KNN) algorithms in predicting diabetes using a dataset from Kaggle. Naïve Bayes was chosen for its ability to handle large datasets, missing values, irrelevant attributes, and noise, while KNN offers simplicity in implementation. The results show that KNN achieves a higher accuracy of 79% compared to Naïve Bayes at 76%. Therefore, KNN is recommended for diabetes prediction based on this dataset.
Keywords: Diabetes; Naïve Bayes, K-Nearest Neighbors; Accuracy
Abstrak
Diabetes merupakan penyakit kronis yang menyerang berbagai usia dengan risiko komplikasi fatal. Diagnosis yang akurat menjadi langkah awal penting untuk pengelolaan, namun gejala yang berkembang perlahan sering menyebabkan keterlambatan deteksi. Penelitian ini membandingkan akurasi algoritma Naïve Bayes dan K-Nearest Neighbors (KNN) dalam memprediksi diabetes menggunakan dataset dari Kaggle. Naïve Bayes dipilih karena kemampuannya menangani dataset besar, data hilang, atribut tidak relevan, dan noise, sedangkan KNN menawarkan kesederhanaan implementasi. Hasil pengujian menunjukkan bahwa KNN memiliki akurasi lebih tinggi sebesar 79% dibandingkan Naïve Bayes yang mencapai 76%. Dengan demikian, KNN lebih direkomendasikan untuk prediksi diabetes berdasarkan dataset ini.
Kata Kunci: Diabetes; Naïve Bayes; K-Nearest Neighbors; Akurasi
References
A. Ridwan and T. G. Pratama, “Classification Of Heart Failure Using," J.Proceedings International Conference On Public Health, vol. 08, no, 10, pp. 1163–1167, 2021, doi: 10.26911/ICPmedicine.FP08.
A. Ridwan, “Penerapan Algoritma C4.5 untuk Penyakit Diabetes Mellitus,” J.BIDISFO (Bisnis Digital dan Sistem Informasi), vol. 06, no 12, pp. 41–48, 2022,[Online]. Available: https://ejr.umku.ac.id/index.php/BIDISFO/article/viewFile/1841/1096.
W. A. Z, R. Akbar, dan R. C. Prayogi, “Comparison of K-Nearest Neighbor ( KNN ) and Naive Bayes Algorithms in the Classification of Parkinson ’ s Disease ( Komparasi Algoritma K-Nearest Neighbor ( KNN ) dan Naive Bayes dalam Klasifikasi Penyakit Parkinson ),” J. Institut Riset dan Publikasi Indonesia, vol. 4, no. 2, pp. 188–193, 2023, [Online]. Available: https://journal.irpi.or.id/index.php/sentimas
I. Print, G. A. Putri, A. Trimaysella, dan A. Khoiriah, “Penerapan Klasifikasi Data Mining pada Diabetes Menggunakan Metode Naive Bayes,” Jurnal Ilmu Komputer Teknologi Terapan ( JIKTT ), vol. 1, no. 14, pp. 1–9, 2024, [Online]. Available: http://journal.amanahdigital.or.id/
A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 4, no. 1, pp. 15–21, 2020, doi: 10.47970/siskom-kb.v4i1.169.
T.G. Pratamaa,* Achmad Ridwan b, “Deteksi Dini ASD (Autism Spectrum Disorder) Menggunakan Machine Learning," J. JIKOMA (Ilmu Komputer dan Matematika) vol. 4, no. 2, pp. 44–51, 2023, [Online]. Available: https://ejr.umku.ac.id/index.php/jikoma/article/view/ 1998/1175
M. R. Hunafa dan A. Hermawan, “Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbor Pada Imbalace Class Dataset Penyakit Diabetes,” Kajian Ilmiah Informatika dan Komputer. vol. 4, no. 3, pp. 1551–1561, 2023, doi: 10.30865/klik.v4i3.1486.
M. K. Nasution, R. R. Saedudin, dan V. P. Widartha, “Perbandingan Akurasi Algoritma Naïve Bayes Dan Algoritma Xgboost Pada Klasifikasi Penyakit Diabetes,” e-Proceeding Eng., J. Informatika Proxies. vol. 8, no. 5, pp. 9765–9772, 2021, [Online]. Available: https://journal.ubpkarawang.ac.id/mahasiswa/index.php/ssj/article/view/424/338%0Ahttps://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/15759
F. K. Ngguna dan A. A. Pekuwali, “Penggunaan Algoritma K-Means Untuk Menganalisis Performa Siswa Dalam Pembelajaran Matematika di SMP Negeri Satap Lambakara,” J. Prosiding Seminar Nasional SATI ,vol. 5, no 9, pp. 553–567, 2023, [Online]. Available: https://www.ojs.unkriswina.ac.id/index.php/semnas-FST/article/view/882/576
C. A. Rahayu, “Prediksi Penderita Diabetes Menggunakan Metode Naive Bayes,” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 3, pp. 2303-0577, 2023, doi: 10.23960/jitet.v11i3.3055.
B. Delvika, S. Nurhidayarnis, dan P. D. Rinada, “Comparison of Classification Between Naive Bayes and K-Nearest Neighbor on Diabetes Risk in Pregnant Women Perbandingan Klasifikasi Antara Naive Bayes dan K-Nearest Neighbor Terhadap Resiko Diabetes Pada Ibu Hamil,” J. SENTIMAS (Seminar Nasional Penelitian dan Pengabdian Masyarakat), vol. 2, no. October, pp. 68–75, 2022.
A. Ridwan, “Penerapan Teknik Bagging Pada Algoritma Naive Bayes Dan Algoritma C4.5 Untuk Mengatasi Ketidakseimbangan Kelas,” J.BIDISFO ( Bisnis Digital Dan Sistem Informasi), vol. 1, no. 1, pp. 63–70, 2020, [Online]. Available: https://ejr.umku.ac.id/ index.php/jikoma/ article/viewFile/1219/759
H. Hairani, K. E. Saputro, dan S. Fadli, “K-means-SMOTE for handling class imbalance in the classification of diabetes with C4.5, SVM, and naive Bayes,” J. Teknol. dan Sist. Komput., vol. 8, no. 2, pp. 89–93, 2020, doi: 10.14710/jtsiskom.8.2.2020.89-93.
S. Syahrullah dan K. Nurwijayanti, “Klasifikasi Diagnosa Penyakit Diabetes Dengan Metode Naive Bayes Berbasis Web,” J. Kecerdasan Buatan dan Teknol. Inf., vol. 2, no. 3, pp. 115–121, 2023, doi: 10.69916/jkbti.v2i3.35.
F. Sholekhah, A. D. Putri, R. Rahmaddeni, dan L. Efrizoni, “Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbors untuk Klasifikasi Metabolik Sindrom,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 507–514, 2024, doi: 10.57152/malcom.v4i2.1249.
How To Cite This :
Refbacks
- There are currently no refbacks.
