PERBANDINGAN ALGORITMA K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK MENENTUKAN KELANGSUNGAN HIDUP PASIEN DENGAN PENYAKIT JANTUNG

Abstract

Penyakit kardiovaskular merupakan penyebab utama kematian di dunia, termasuk di Indonesia. Penelitian ini bertujuan untuk membandingkan efektivitas dua algoritma machine learning, yaitu K-Nearest Neighbors (K-NN) dan Naive Bayes, dalam mengklasifikasikan risiko kematian atau kelangsungan hidup pasien penyakit jantung. Penelitian menggunakan pendekatan kuantitatif komparatif dengan dataset sekunder yang diunduh dari Kaggle.com, mencakup 500 baris data dengan fitur klinis seperti usia, tekanan darah, dan kadar kreatinin. Implementasi algoritma dilakukan menggunakan bahasa pemrograman PHP dengan tahapan preprocessing (penanganan missing value dengan mean, normalisasi Min-Max), pembagian data (80% latih, 20% uji), serta evaluasi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma K-NN (K=3) mencapai akurasi 95%, presisi 100%, recall 50%, dan F1-score 66,67%, sedangkan Naive Bayes Gaussian memperoleh akurasi 94%, presisi 64,29%, recall 90%, dan F1-score 75%. K-NN unggul dalam akurasi dan presisi tanpa false positive, sehingga direkomendasikan untuk skenario klinis yang menghindari intervensi tidak perlu. Naive Bayes unggul dalam recall, cocok untuk skenario yang menuntut sensitivitas tinggi. Sistem yang dibangun telah terbukti fungsional dari halaman login hingga visualisasi evaluasi. Keterbatasan penelitian meliputi ukuran dataset yang kecil dan ketidakseimbangan kelas, sehingga penelitian mendatang disarankan menggunakan teknik SMOTE, algoritma ensemble, serta integrasi dengan rekam medis elektronik..