PERBANDINGAN K-NN DAN NAIVE BAYES UNTUK PREDIKSI KELANGSUNGAN HIDUP PASIEN GAGAL JANTUNG

Abstrak

Gagal jantung merupakan salah satu penyebab utama kematian global, dengan WHO mencatat 17,9 juta kematian akibat penyakit kardiovaskular pada 2019. Dalam konteks ini, deteksi dini menjadi krusial untuk meningkatkan harapan hidup pasien, untuk mengatasi tantangan ini dunia medis mulai mengadopsi teknologi guna memprediksi peluang hidup pasien secara lebih akurat. Penelitian ini bertujuan untuk membandingkan efektivitas dua algoritma machine learning, yaitu K-Nearest Neighbors (K-NN) dan Naive Bayes, dalam memprediksi keberlangsungan hidup pasien gagal jantung menggunakan data medis. Metode yang digunakan mengikuti pendekatan CRISP-DM, dimulai dari pemahaman bisnis dan data, persiapan data, hingga pemodelan dan evaluasi. Dataset yang digunakan terdiri dari 299 pasien berusia 40 tahun ke atas dengan 12 atribut dan 1 variabel target, diambil dari UCI Machine Learning Repository. Hasil pengujian menunjukkan bahwa algoritma K-NN memiliki akurasi pelatihan sebesar 82,85%, lebih tinggi dibandingkan Naive Bayes yang mencapai 82,42%. Meskipun perbedaannya kecil, K-NN menunjukkan performa yang lebih baik dalam akurasi prediksi, sementara Naive Bayes unggul dalam efisiensi waktu proses. Kesimpulan dari penelitian ini menyatakan bahwa kedua algoritma memiliki keunggulan masing-masing, sehingga pilihan algoritma dapat disesuaikan dengan prioritas pengguna, apakah lebih mengutamakan akurasi atau kecepatan prediksi. Penelitian ini diharapkan dapat menjadi referensi bagi peneliti dan praktisi kesehatan dalam pengembangan sistem prediksi medis yang lebih efektif.