PERBANDINGAN ALGORITMA NAIVE BAYES DAN K-NEAREST NEIGHBOR UNTUK KLASIFIKASI RISIKO PENYAKIT GINJAL KRONIS PADA DATASET CHRONIC KIDNEY DISEASE

Abstrak

Penyakit Ginjal Kronis (CKD) merupakan penyakit tidak menular dengan prevalensi meningkat yang mengakibatkan penurunan fungsi ginjal permanen, sehingga deteksi dini sangat krusial untuk diagnosis serta pengambilan keputusan medis. Penelitian ini bertujuan membandingkan performa algoritma Naïve Bayes dan K-Nearest Neighbor (K-NN) dalam mengklasifikasikan risiko CKD. Metodologi penelitian mengadopsi kerangka kerja CRISP-DM, mulai dari “business understanding” hingga “deployment”. Penelitian ini memanfaatkan dataset berjumlah 796 data pasien dengan 11 atribut (10 variabel independen dan 1 variabel dependen). Tahap “preprocessing” mencakup pembersihan data, transformasi data kategorikal ke numerik, normalisasi, serta pembagian data “training” dan “testing”. Evaluasi model diukur menggunakan “confusion matrix”, akurasi, “precision”, “recall”, dan “F1-score”. Hasil pengujian membuktikan bahwa algoritma Naïve Bayes menunjukkan performa unggul dengan akurasi 99,38%, “precision” 98,77%, “recall” 100%, serta “F1-score” 99,38%. Sebaliknya, algoritma K-NN mencatatkan akurasi 98,75%, “precision” 97,56%, “recall” 100%, dan “F1-score” 98,77%. Dengan tingkat kesalahan klasifikasi lebih rendah, Naïve Bayes terbukti lebih optimal dan konsisten. Hasil riset ini diharapkan menjadi referensi berharga bagi pengembangan sistem pendukung keputusan deteksi dini CKD.