Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbor Untuk Mengklasifikasikan Status Kesehatan

Abstract

Pemanfaatan algoritma klasifikasi dalam bidang kesehatan dapat membantu mengidentifikasi status kesehatan individu secara lebih akurat dan efisien. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naive Bayes dan K-Nearest Neighbor (K-NN) dalam mengklasifikasikan status kesehatan berdasarkan beberapa parameter menurut kebiasaan gaya hidup seperti kebiasaan merokok, aktifitas bekerja, aktifitas begadang, aktifitas olahraga, pola makan teratur dan penyakit bawaan. Data diolah menggunakan Google Colaboratory dengan pembagian 80% data latih dan 20% data uji. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa algoritma, Naïve Bayes dan K-Nearest Neighbor, keduanya menunjukkan akurasi yang sama, yaitu 0.92, dimana keduanya dapat digunakan secara efektif, tetapi, jika data memeiliki distribusi normal dan kontinu, naïve bayes bisa menjadi pilihan yang efisien. Temuan ini mengindikasikan bahwa pemilihan algoritma sebaiknya disesuaikan dengan kebutuhan sistem, apakah mengutamakan akurasi atau efisiensi. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem klasifikasi kesehatan berbasis machine learning yang efektif dan adaptif.