Penggunaan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Kardiovaskular

Abstract

Penyakit kardiovaskular merupakan salah satu faktor utama penyebab kematian global, sehingga diperlukan upaya deteksi dini untuk mencegah komplikasi serius. Penelitian ini bertujuan mengimplementasikan algoritma Naïve Bayes untuk klasifikasi penyakit kardiovaskular dengan bantuan tahapan preprocessing data seperti seleksi fitur berbasis korelasi, serta teknik penyeimbangan data menggunakan SMOTE. Data yang digunakan diambil dari UC Irvine Machine Learning Repository dan berisi data rekam medis pasien gagal jantung. Proses penelitian meliputi pemisahan data, pengolahan, pelatihan model, dan evaluasi performa menggunakan indikator seperti akurasi, presisi, recall, dan F1-score. Model Naïve Bayes memberikan hasil terbaik dengan akurasi sebesar 81,66% pada skenario pelatihan 60% dan pengujian 40%. Selain itu, penggunaan seleksi fitur dan metode SMOTE terbukti mampu meningkatkan kinerja klasifikasi secara signifikan. Temuan ini menunjukkan bahwa pendekatan tersebut efektif untuk membantu proses klasifikasi awal penyakit kardiovaskular secara cepat dan tepat.