Analisis Perbandingan Kinerja Naive Bayes Dan C4.5 Untuk Deteksi Penyakit Ginjal
DOI:
https://doi.org/10.33998/jms.2026.6.1.2603Keywords:
penyakit ginjal kronis, Naïve Bayes, C4.5, machine learning, WEKA, klasifikasiAbstract
Penyakit Ginjal Kronis (PGK) adalah masalah kesehatan di seluruh dunia dengan peningkatan jumlah penderita yang stabil, termasuk di Indonesia. Identifikasi tepat waktu diabetes melitus gestasional (DMG) sangat penting untuk mengurangi risiko komplikasi dan kematian, namun penilaian manual seringkali membutuhkan waktu dan sumber daya yang cukup besar. Perkembangan teknologi machine learning memungkinkan proses diagnosis lebih cepat dan akurat. Penelitian ini bertujuan membandingkan kinerja algoritma Naïve Bayes dan C4.5 dalam mendeteksi penyakit ginjal menggunakan dataset Chronic Kidney Disease (CKD) yang diperoleh dari platform Kaggle. Dataset terdiri dari 400 data pasien dengan 34 atribut medis, seperti tekanan darah, kadar kreatinin, albumin urin, dan parameter laboratorium lainnya. Metode penelitian meliputi pembersihan data, seleksi atribut, transformasi data, pembagian data menjadi 80% data latih dan 20% data uji, serta penerapan kedua algoritma menggunakan perangkat lunak WEKA. Evaluasi kinerja dilakukan dengan matrik akurasi, precision, recall, F1-score, dan AUC-ROC. Hasil pengujian menunjukkan bahwa pada pembagian data 80:20, algoritma Naïve Bayes memperoleh akurasi 83,13%, precision 84,05%, recall 97,68%, F1-score 90,36%, dan AUC-ROC 59,50%. Sementara itu, algoritma C4.5 (J48) mencapai akurasi lebih tinggi yaitu 87,50%, precision 85,93%, recall 98,45%, F1-score 91,74%, dan AUC-ROC 63,20%.
Downloads
References
Warite Gire, Eman Sulaiman, and Nirwana, “Hubungan Pengetahuan dan Dukungan Keluarga Dengan Kepatuhan Pasien Gagal Ginjal Kronik Dalam Menjalani Terapi Hemodialisa di RSUD Bahteramas Provinsi Sulawesi Tenggara Tahun 2023,” J. Penelit. Sains dan Kesehat. Avicenna, vol. 2, no. 3, pp. 60–68, 2023, doi: 10.69677/avicenna.v2i3.62.
A. A. Qori’ah and Z. Fatah, “Implementasi Prediksi Penyakit Ginjal Kronis dengan Menggunakan Metode Decision Tree,” JUSIFOR J. Sist. Inf. dan Inform., vol. 3, no. 2, pp. 180–186, 2024, doi: 10.70609/jusifor.v3i2.5803.
D. Irawan, H. Oktavianto, M. K. Anam, T. Informatika, and U. M. Jember, “Analisis Penerapan Algoritma Naive Bayes,” JASIE “Jurnal Apl. Sist. Inf. Dan Elektron., vol. 1, no. 2, pp. 127–134, 2019.
K. L. Kohsasih and Z. Situmorang, “Comparative Analysis of C4.5 and Naïve Bayes Algorithms in Predicting Cerebrovascular Disease,” J. Inform., vol. 9, no. 1, pp. 13–17, 2022.
A. A. D. Halim and S. Anraeni, “Analisis Klasifikasi Dataset Citra Penyakit Pneumonia menggunakan Metode K-Nearest Neighbor (KNN),” Indones. J. Data Sci., vol. 2, no. 1, pp. 01–12, 2021, doi: 10.33096/ijodas.v2i1.23.
A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 4, no. 1, pp. 15–21, 2020, doi: 10.47970/siskom-kb.v4i1.169.
F. M. Hana, “Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4 . 5,” 2020.
E. A. Julisawati, “Pemilihan Jurusan SMA Menggunakan Sistem Pendukung Keputusan pada Siswa SMPN 210 Jakarta Menggunakan Metode Profile Matching,” vol. 3, no. 3, pp. 397–403, 2023.
H. Mukaromah, “Perbandingan Kinerja Algoritma Naive Bayes dan,” vol. 7, no. 1, pp. 20–24, 2020.
K. Pratami and Iwan Setiawan Wibisono, “Perbandingan Algoritma C4.5 Dan Naive Bayes Dalam Mendeteksi Hipertensi Di Puskesmas Banyubiru,” J. Mhs. Tek. Inform., vol. 2, no. 1, pp. 16–26, 2023, doi: 10.35473/jamastika.v2i1.1937.
B. A. C. Permana and I. K. D. Patwari, “Komparasi Metode Klasifikasi Data Mining Decision Tree dan Naïve Bayes Untuk Prediksi Penyakit Diabetes,” Infotek J. Inform. dan Teknol., vol. 4, no. 1, pp. 63–69, 2021, doi: 10.29408/jit.v4i1.2994.
Julia Triani, Yovi Pratama, and E. Yanti, “Komparasi Dalam Prediksi Gagal Jantung Dengan Menggunakan Metode C4.5 dan Naïve Bayes,” J. Inform. Dan Rekayasa Komputer(JAKAKOM), vol. 3, no. 1, pp. 394–402, 2023, doi: 10.33998/jakakom.2023.3.1.759.
K. P. Widiatmika, Pengantar Marchine Learning, vol. 16, no. 2. 2015.
M. A.-Z. Faradeya and E. R. Subhiyakto, “Klasifikasi Penyakit Gagal Jantung Menggunakan Algoritma Naive Bayes,” J. Algoritm., vol. 22, no. 1, pp. 115–127, 2025, doi: 10.33364/algoritma/v.22-1.2178.
J. Ha, M. Kambe, and J. Pe, Data Mining: Concepts and Techniques. 2011. doi: 10.1016/C2009-0-61819-5.
P. A. Sihotang and D. Sitanggang, “Penerapan Metode Algoritma C4.5 Dan Naive Bayes Untuk Prediksi Penyakit Jantung,” J. Tek. Inf. dan Komput., vol. 7, no. 2, p. 899, 2024, doi: 10.37600/tekinkom.v7i2.1535.
A. A. Permana et al., Machine Learning, vol. 45, no. 13. 2023. [Online]. Available: https://books.google.ca/books?id=EoYBngEACAAJ&dq=mitchell+machine+learning+1997&hl=en&sa=X&ved=0ahUKEwiomdqfj8TkAhWGslkKHRCbAtoQ6AEIKjAA
S. Beryl Enrico Ritonga and U. Enri, “Perbandingan Algoritme C4.5 Dan Naïve Bayes Dalam Klasifikasi Severe Preeklampsia Menggunakan Hematologi,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 2200–2207, 2024, doi: 10.36040/jati.v8i2.9435.
R. S. Wahono, Data Mining Data mining, vol. 2, no. January 2013. 2023. [Online]. Available: https://www.cambridge.org/core/product/identifier/CBO9781139058452A007/type/book_part
M. Ardiansyah, A. Sunyoto, and E. T. Luthfi, “Analisis Perbandingan Akurasi Algoritma Naïve Bayes Dan C4.5 untuk Klasifikasi Diabetes,” Edumatic J. Pendidik. Inform., vol. 5, no. 2, pp. 147–156, 2021, doi: 10.29408/edumatic.v5i2.3424.
