Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Nirigi, Fidalina
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Akurasi Dua Metode Klasifikasi: K-Nearest Neighbor vs Naïve Bayes pada Data Diabetes Nirigi, Fidalina; Triyanto, Mochammad; Pahlevi, Mohammad Rezza; Saelan, Athia; Supriana, Fadhlanrashif Ibrahim
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.8671

Abstract

Diabetes merupakan kondisi metabolik yang ditandai oleh tingginya kadar glukosa darah dan telah menjadi masalah kesehatan global. Apabila tidak ditangani dengan tepat, diabetes dapat menyebabkan komplikasi serius seperti penyakit kardiovaskular, stroke, kerusakan ginjal, mata, dan sistem saraf. Perkembangan teknologi machine learning memberikan peluang dalam membantu proses klasifikasi dan prediksi penyakit diabetes secara lebih cepat dan akurat. Penelitian ini bertujuan untuk menganalisis tingkat akurasi dua metode klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Naïve Bayes pada data diabetes. Dataset yang digunakan adalah Pima Indians Diabetes Database dengan pembagian data sebesar 80% untuk data latih dan 20% untuk data uji. Tahapan penelitian meliputi preprocessing data, pelatihan model, dan pengujian klasifikasi. Variabel yang digunakan meliputi kadar glukosa, usia, indeks massa tubuh (BMI), tekanan darah, serta riwayat diabetes. Hasil penelitian menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi data diabetes dengan baik. Namun, algoritma K-Nearest Neighbor memperoleh tingkat akurasi lebih tinggi sebesar 81%, sedangkan Naïve Bayes memperoleh akurasi sebesar 77%. Berdasarkan hasil tersebut, metode K-Nearest Neighbor dinilai lebih efektif dalam proses prediksi penyakit diabetes dibandingkan metode Naïve Bayes. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem pendukung keputusan berbasis machine learning di bidang kesehatan, khususnya untuk deteksi dini penyakit diabetes.
Co-Authors Mohammad Rezza Pahlevi Saelan, Athia Supriana, Fadhlanrashif Ibrahim Triyanto, Mochammad