Analisis Akurasi Dua Metode Klasifikasi: K-Nearest Neighbor vs Naïve Bayes pada Data Diabetes

Fidalina Nirigi; Mochammad Triyanto; Mohammad Rezza Pahlevi; Athia Saelan; Fadhlanrashif Ibrahim Supriana

doi:10.31004/riggs.v5i2.8671

Authors

Fidalina Nirigi Universitas Indonesia Membangun
Mochammad Triyanto Universitas Indonesia Membangun
Mohammad Rezza Pahlevi Universitas Indonesia Membangun
Athia Saelan Universitas Indonesia Membangun
Fadhlanrashif Ibrahim Supriana Universitas Indonesia Membangun

DOI:

https://doi.org/10.31004/riggs.v5i2.8671

Keywords:

Klasifikasi, Diabetes, Machine Learning

Abstract

Diabetes merupakan kondisi metabolik yang ditandai oleh tingginya kadar glukosa darah dan telah menjadi masalah kesehatan global. Apabila tidak ditangani dengan tepat, diabetes dapat menyebabkan komplikasi serius seperti penyakit kardiovaskular, stroke, kerusakan ginjal, mata, dan sistem saraf. Perkembangan teknologi machine learning memberikan peluang dalam membantu proses klasifikasi dan prediksi penyakit diabetes secara lebih cepat dan akurat. Penelitian ini bertujuan untuk menganalisis tingkat akurasi dua metode klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Naïve Bayes pada data diabetes. Dataset yang digunakan adalah Pima Indians Diabetes Database dengan pembagian data sebesar 80% untuk data latih dan 20% untuk data uji. Tahapan penelitian meliputi preprocessing data, pelatihan model, dan pengujian klasifikasi. Variabel yang digunakan meliputi kadar glukosa, usia, indeks massa tubuh (BMI), tekanan darah, serta riwayat diabetes. Hasil penelitian menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi data diabetes dengan baik. Namun, algoritma K-Nearest Neighbor memperoleh tingkat akurasi lebih tinggi sebesar 81%, sedangkan Naïve Bayes memperoleh akurasi sebesar 77%. Berdasarkan hasil tersebut, metode K-Nearest Neighbor dinilai lebih efektif dalam proses prediksi penyakit diabetes dibandingkan metode Naïve Bayes. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem pendukung keputusan berbasis machine learning di bidang kesehatan, khususnya untuk deteksi dini penyakit diabetes.

Downloads

Download data is not yet available.

References

S. K. Dey, A. Hossain, dan M. M. Rahman, “Implementation of a Web Application to Predict Diabetes Disease: An Approach Using Machine Learning Algorithm,” 2018 21st Int. Conf. Comput. Inf. Technol. ICCIT 2018, hal. 1–5, 2019, doi: 10.1109/ICCITECHN.2018.8631968.

M. Komi, J. Li, Y. Zhai, dan Z. Xianguo, “Application of data mining methods in diabetes prediction,” 2017 2nd Int. Conf. Image, Vis. Comput. ICIVC 2017, no. S Ix, hal. 1006–1010, 2017, doi: 10.1109/ICIVC.2017.7984706.

A. M. Argina, “Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes,” Indones. J. Data Sci., vol. 1, no. 2, hal. 29–33, 2020, doi: 10.33096/ijodas.v1i2.11. [4] A. Ali, M. Alrubei, L. F. M. Hassan, M. Al-Ja’afari, dan S. Abdulwahed, “Diabetes classification based on KNN,” IIUM Eng. J., vol. 21, no. 1, hal. 175–181, 2020, doi: 10.31436/iiumej.v21i1.1206.

R. S. Raj, D. S. Sanjay, M. Kusuma, dan S. Sampath, “Comparison of Support Vector Machine and Naïve Bayes Classifiers for Predicting Diabetes,” 1st Int. Conf. Adv. Technol. Intell. Control. Environ. Comput. Commun. Eng. ICATIECE 2019, hal. 41–45, 2019, doi: 10.1109/ICATIECE45860.2019.9063792.

K. Shah, R. Punjabi, P. Shah, dan M. Rao, “Real Time Diabetes Prediction using Naïve Bayes Classifier on Big Data of Healthcare,” Int. Res. J. Eng. Technol., vol. 07, no. 05, hal. 102– 107, 2020.

H. Wu, S. Yang, Z. Huang, J. He, dan X. Wang, “Type 2 diabetes mellitus prediction model based on data mining,” Informatics Med. Unlocked, vol. 10, no. August 2017, hal. 100–107, 2018, doi: 10.1016/j.imu.2017.12.006.

M. R. ASengamuthu, M. R. Birami, dan ..., “Various Data Mining Techniques Analysis to Predict Diabetes Mellitus,” Int Res J Eng Technol …, 2018, [Daring]. Tersedia pada: https://www.academia.edu/download/57013446/IRJ ETV5I5134.pdf.

A. Fauzi and A. H. Yunial, “Optimasi Algoritma Klasifikasi Naive Bayes, Decision Tree, K – Nearest Neighbor, dan Random Forest menggunakan Algoritma Particle Swarm Optimization pada Diabetes Dataset,” J. Edukasi dan Penelit. Inform., vol. 8, no. 3, p. 470, 2022, doi: 10.26418/jp.v8i3.56656.

R. G. Ginting, E. Girsang, J. B. Ginting, and H. Hartono, “Analisis Determinan Dan Prediksi Penyakit Diabetes Melitus Tipe 2 Menggunakan Metode Machine Learning: Scoping Review,” J. Matern. Kebidanan, vol. 7, no. 1, pp. 58–72, 2022, doi: 10.34012/jumkep.v7i1.2538.

S. Anggraini, M. A. Hamzah, and F. Ariyanto, “Analisis Perbandingan Jarak Euclidean , Manhattan , Dan Chebyshev Distance Pada Algoritma KNN Berdasarkan Data Diabetes Di Puskesmas Larangan,” vol. 11, no. 1, pp. 617–624, 2025.

Rinanda, P. D., Delvika, B., Nurhidayarnis, S. ., Abror, N. ., & Hidayat, A. . (2022). Perbandingan Klasifikasi Antara Naive Bayes dan K-Nearest Neighbor Terhadap Resiko Diabetes pada Ibu Hamil: Comparison of Classification Between Naive Bayes and K-Nearest Neighbor on Diabetes Risk in Pregnant Women. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 2(2), 68-75. https://doi.org/10.57152/malcom.v2i2.432

M. Iqbal, R. Saputra, dan N. Hidayat, “Implementasi Algoritma Naïve Bayes Untuk Prediksi Penyakit Diabetes Mellitus,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 8, no. 4, hal. 455–462, 2021.

A. Prasetyo dan R. Nugroho, “Perbandingan Metode KNN dan Naïve Bayes Pada Klasifikasi Penyakit Diabetes,” Jurnal Sistem Informasi dan Teknologi, vol. 10, no. 1, hal. 33–40, 2022.

Fitriyani Fitriyani ," Prediksi Diabetes Menggunakan Algoritma Naive Bayes dan Greedy Forward Selection," https://doi.org/10.25077/TEKNOSI.v7i2.2021.61-69