Implementasi Metode K-Nearest Neighbors (KNN) dan Naive Bayes untuk Klasifikasi Penyakit Jantung

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian global, sehingga deteksi dini yang akurat sangat diperlukan untuk mengurangi risiko kematian dan komplikasi. Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Nearest Neighbors (KNN) dan Naive Bayes dalam klasifikasi penyakit jantung dengan menggunakan dataset yang mencakup parameter klinis seperti usia, tekanan darah, dan kadar kolesterol, dll. Metode KNN dipilih karena kesederhanaannya serta kemampuannya menangani data berdimensi tinggi, sementara Naive Bayes digunakan sebagai pembanding berkat efisiensi komputasinya dalam mengolah dataset dengan distribusi tertentu. Hasil penelitian menunjukkan bahwa algoritma KNN mencapai akurasi 76%, lebih rendah dibandingkan Naive Bayes dengan akurasi 81%. Selain itu, Naive Bayes menunjukkan performa lebih baik pada precision, recall, dan F1-score, terutama dalam mendeteksi risiko tinggi penyakit jantung. Temuan ini menunjukkan bahwa algoritma machine learning seperti KNN dan Naive Bayes memiliki potensi besar untuk mendukung upaya deteksi dini penyakit jantung secara efisien dan efektif.