PERBANDINGAN ALGORITMA NAIVE BAYES DENGAN ALGORITMA K-NEAREST NEIGHBOR UNTUK KLASIFIKASI PENYAKIT JANTUNG

Saat ini kebutuhan terhadap analisis suatu data sangat dibutuhkan. Salah satu
pendekatan yang dapat dilakukan untuk menganalisis sekumpulan data yaitu
dengan mengklasifikasi data. Beberapa metode klasifikasi yang umum digunakan
seperti Artifficial Neural Network (ANN), Support Vector Machines (SVM),
Decision Tree, Bayesian, dan sebagainya. Klasifikasi Naïve Bayes terbukti
memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam basis data
dengan jumlah yang besar. Selain Naive Bayes, algoritma K-Nearest Neighbor
juga memiliki tingkat akurasi yang tinggi. Oleh karena itu peneliti ingin melakukan
sebuah penelitian dengan membandingkan algoritma Naive Bayes dan algoritma
K-Nearest Neighbor menggunakan data diagnosa penyakit jantung yang diambil
dari penyedia layanan dataset publik UCI Machine Learning dengan menggunakan
teknik pengujian Cross Validation. Dari keseluruhan pengujian, nilai K optimal
untuk algoritma K-Nearest Neighbor yaitu dengan jarak ketetanggaan sebesar 7.
Algoritma Naive Bayes menghasilkna performa tertinggi pada 10-fold Cross
Validation pada folder data pengujian ke-4 dengan akurasi yaitu 90.00%, dan nilai
presisi sebesar 86,67%. Algoritma K-Nearest Neighbor juga menghasilkan akurasi
tertinggi dengan jumlah ketetanggaan sebesar 7 pada pengujian 10-fold Cross
Validation dengan akurasi tertinggi pada folder data pengujian ke-4 yaitu sebesar
80.00%, dan presisi sebesar 90.00%. Berdasarkan pengujian yang telah dilakukan,
algoritma Naive Bayes lebih akurat dan lebih baik dalam klasifikasi penyakit
jantung dibandingkan algoritma K-Nearest Neighbor.

Kata Kunci : Algoritma Naive Bayes, Algoritma K-Nearest Neighbor, Analisis,
Klasifikasi, Perbandingan, Cross Validation.