PERBANDINGAN KINERJA ALGORITMA NAIVE BAYES DAN C4.5 DALAM PREDIKSI PENYAKIT JANTUNG

Sri Wulandari; Kusrini Kusrini; Hanafi Hanafi

doi:10.46764/teknimedia.v6i2.284

Sri Wulandari Megiter Teknik Informatika Universitas Amikom Yogyakarta
Kusrini Kusrini Megiter Teknik Informatika Universitas Amikom Yogyakarta
Hanafi Hanafi Megiter Teknik Informatika Universitas Amikom Yogyakarta

DOI: https://doi.org/10.46764/teknimedia.v6i2.284

Kata Kunci: Perbandingan, Naïve Bayes, C4.5, Confusion Matrix

Abstrak

Teknologi Informasi adalah teknologi pemrosesan data dan merupakan berbagai cara untuk menghasilkan informasi berkualitas tinggi secara akurat dan cepat, relevan dengan kebutuhan individu dan bisnis. Informasi strategis tentang pengambilan keputusan. Pengembangan teknologi informasi adalah salah satu faktor terpenting untuk kemajuan waktu. Ada beberapa bidang yang penting untuk kemajuan teknologi dan mempengaruhi kemajuan negara, seperti sektor pendidikan, sektor ekonomi, sektor kesehatan, sektor pemerintah, dan sektor sosial-budaya. Pada dasarnya, teknologi dikembangkan untuk mempromosikan pekerjaan manusia. Saat ini, teknologi adalah kebutuhan besar bagi kemanusiaan. Bahkan, teknologi digunakan dalam semua aspek kehidupan manusia. Memprediksi penyakit jantung secara akurat sangat penting untuk mengobati pasien jantung secara efisien sebelum serangan jantung terjadi. Tujuan ini dapat dicapai dengan menggunakan model pembelajaran mesin yang optimal dengan data kesehatan penyakit jantung yang lengkap. Oleh karena itu perbandingan kinerja algoritma naïve bayes dan algoritma C4.5 dalam prediksi penyakit jantung perlu adanya perhitungan agar hasil yang didapatkan lebih akurat. Sebelum melakukan perhitungan perlu memeriksa kelayakan data yang akan digunakan, kemudian pembagian data pelatihan dan pengujian. Pada penelitian memiliki beberapa skenario pembagian data pelatihan dan pengujian menggunakan confusion matrix. Penelitian ini menghasilkan sebuah perbandingan kinerja dari algritma Naïve Bayes dan C4.5 dalam memprediksi penyakit jantung,dilakukan 6 skenario percobaan masing-masing algoritma memiliki 3 percobaan yang jumlah data training dan data testing bervarian. algritma C4.5 melakukan 3 skenario percobaan, pada percobaan pertama algoritma Naïve Bayes percobaan pertama 70:30 menghasilkan akurasi 83%. Pada percobaan kedua 80:20 menghasilkan akurasi 83%. Pada percobaan ketiga 90:10 menghasilkan akurasi 85%. Kemudian pada algritma C4.5 melakukan 3 skenario percobaan, pada percobaan pertama 70:30 menghasilkan akurasi 98%. Pada percobaan kedua 80:20 menghasilkan akurasi 100% Pada percobaan ketiga 90:10 menghasilkan akurasi 100%.

Referensi

[1] Cecep Abdul Cholik, “Teknologi Informasi, ICT,” J. Fak. Tek., vol. 2, no. 2, pp. 39–46, 2021.
[2] A. Sepharni, I. E. Hendrawan, and C. Rozikin, “Klasifikasi Penyakit Jantung dengan Menggunakan Algoritma C4.5,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 7, no. 2, p. 117, 2022, doi: 10.30998/string.v7i2.12012.
[3] T. A. Afifah, R. Martiansah, M. Alviyoni, and A. Arifin, “Perbandingan Algoritma Klasifikasi C4.5 Dan Naive Bayes untuk Memprediksi Gagal Jantung,” SENTIMAS Semin. Nas. Penelit. dan Pengabdi. Masy., pp. 78–85, 2023, [Online]. Available: https://www.kaggle.com/datasets/fedesoriano/heart-failure-prediction,
[4] C. L. Rohmat, R. Tito Aprilianto, F. Fathurrohman, and I. Iin, “Analisis Sentimen Pada Ulasan Produk Pakaian Zirdigo Dengan Menggunakan Algoritma Naive Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 668–674, 2024, doi: 10.36040/jati.v8i1.8697.
[5] N. Leniawati and S. Wijayanto, “Klasifikasi Desa Wisata di Provinsi Jawa Tengah Menggunakan Algoritma C4.5,” J. Sains Komput. Inform. (J-SAKTI, vol. 8, no. 1, pp. 171–184, 2024.
[6] F. Fatmawati and N. Narti, “Perbandingan Algoritma C4.5 dan Naive Bayes Dalam Klasifikasi Tingkat Kepuasan Mahasiswa Terhadap Pembelajaran Daring,” JTIM J. Teknol. Inf. dan Multimed., vol. 4, no. 1, pp. 1–12, 2022, doi: 10.35746/jtim.v4i1.196.
[7] D. Septiani, “Dan Naive Bayes Untuk Prediksi Penyakit Hepatitis,” J. Pilar Nusa Mandiri, vol. 13, no. 1, pp. 76–84, 2017, [Online]. Available: http://archive.ics.uci.edu/ml/.
[8] H. Syahrizal and M. S. Jailani, “Jenis-Jenis Penelitian Dalam Penelitian Kuantitatif dan Kualitatif,” J. QOSIM J. Pendidik. Sos. Hum., vol. 1, no. 1, pp. 13–23, 2023, doi: 10.61104/jq.v1i1.49.
[9] M. M. Ali, T. Hariyati, M. Y. Pratiwi, and S. Afifah, “Metodologi Penelitian Kuantitatif dan Penerapannya dalam Penelitian,” Educ. Journal.2022, vol. 2, no. 2, pp. 1–6, 2022.
[10] A. S. Setyanegara and E. Zuliarso, “Menerapkan Data Mining Dengan Algoritma Fp-Growth Pada Analisis Pola Pembelian Konsumen Pada Donat Bolong Semarang,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 6, no. 2, pp. 866–872, 2023, doi: 10.31539/intecoms.v6i2.7106.
[11] M. Z. Haq, C. S. Octiva, A. Ayuliana, U. W. Nuryanto, and D. Suryadi, “Algoritma Naïve Bayes untuk Mengidentifikasi Hoaks di Media Sosial,” J. Minfo Polgan, vol. 13, no. 1, pp. 1079–1084, 2024, doi: 10.33395/jmp.v13i1.13937.
[12] F. R. Valerian et al., “Klasifikasi tingkat obesitas menggunakan metode gbm dan confusion matrix,” vol. 9, no. 2, pp. 2242–2249, 2025.