Klasifikasi Kondisi Penyakit Asma Menggunakan Algoritma Naïve Bayes

Abstract

Asma merupakan penyakit pernapasan jangka panjang yang ditandai oleh gejala seperti batuk, kesulitan bernapas, dan bunyi mengi. Jika tidak ditangani dengan tepat, kondisi ini dapat berakibat fatal. Proses diagnosis yang masih bergantung pada intuisi dan pengalaman dokter sering kali menyebabkan keterlambatan penanganan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi kondisi penyakit asma menggunakan algoritma Naïve Bayes berbasis data gejala klinis pasien. Dataset yang digunakan berasal dari platform publik Kaggle dengan total 316.800 data sampel dan 19 atribut demografis dan klinis. Tahapan penelitian meliputi studi literatur, pre-processing data, perancangan model, implementasi algoritma, serta evaluasi performa model dengan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian awal menunjukkan akurasi sebesar 75,19%, presisi 88,00% (weighted), recall 83,00% (macro), dan F1-score 77,00% (weighted). Setelah menerapkan teknik SMOTE untuk menangani ketidakseimbangan kelas, performa meningkat signifikan dengan akurasi mencapai 83,59%, dan F1-score sebesar 83,00%. Hasil ini menunjukkan bahwa kombinasi Naïve Bayes dan SMOTE efektif dalam mengklasifikasikan kondisi asma serta layak diterapkan sebagai sistem pendukung keputusan dalam diagnosis dini penyakit asma secara cepat dan akurat.