Perbandingan Klasifikasi Data Diabetes Antara Metode Gaussian Naïve Bayes Dengan K-Nearest Neighbor

Abstract

Diabetes merupakan masalah kesehatan global serius dengan 422 juta penderita, sebagian besar di negara berpendapatan rendah dan menengah. Setiap tahun, sekitar 1,5 juta jiwa meninggal akibat diabetes. Teknik data mining, seperti algoritma Gausian Naïve Bayes dan K-Nearest Neighbor (K-NN), telah banyak digunakan untuk memprediksi risiko diabetes. Penelitian ini melalui tahapan eksplorasi data, pre-processing, dan modeling data. Dataset berasal dari NN CLF Diabetes Knightbearr. Setelah eksplorasi dan pre-processing untuk memastikan kualitas data, modeling dilakukan dengan algoritma Naïve Bayes dan K-NN. Naïve Bayes menunjukkan akurasi tinggi sebesar 97.12%, sedangkan K-NN, dengan K = 3, dan menunjukkan akurasi precision = 86%, recall= 90%, f1-score= 87%, dan keseluruhan sebesar 88.94%. Akurasi tinggi dari kedua algoritma ini menunjukkan potensi besar dalam membantu prediksi dan deteksi dini risiko diabetes, berkontribusi pada pengelolaan dan pencegahan penyakit ini di masa depan. Penelitian ini menegaskan pentingnya penerapan teknik data mining dalam bidang kesehatan untuk meningkatkan kualitas hidup penderita diabetes dan mengurangi angka kematian.