Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Klik - Jurnal Ilmu Komputer
Lily Pebriana. S
Universitas Wira Buana
Computer Science & IT Engineering

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

Found 1 Documents
Search

 1 
Analisis Perbandingan Algoritma Decision Tree, K-NN, Naive Bayes, dan XGBoost Memprediksi Penyakit Diabetes Menggunakan Data Behavioral Risk Factor Surveillance System Lily Pebriana. S; Fitra Salam S. Nagalay; Ubaidillah Ubaidillah
Klik - Jurnal Ilmu Komputer Vol. 7 No. 1 (2026): Klik - Jurnal Ilmu Komputer
Publisher : Fakultas Ilmu Komputer Universitas Sumatera Selatan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56869/klik.v7i1.777

Abstract

Penyakit diabetes melitus merupakan masalah kesehatan global yang memerlukan deteksi dini secara akurat. Penelitian ini bertujuan untuk membandingkan kinerja empat algoritma Machine Learning, Decision Tree, K-Nearest Neighbor (K-NN), Naive Bayes, dan XGBoost dalam memprediksi risiko diabetes berdasarkan indikator gaya hidup. Data yang digunakan bersumber dari dataset sekunder Behavioral Risk Factor Surveillance System (BRFSS) tahun 2015 yang memiliki karakteristik kelas tidak seimbang (imbalanced data). Evaluasi model dilakukan menggunakan pembagian data uji sebesar 20%, dengan metrik pengujian yang mencakup Akurasi, Precision, Recall, F1-Score, serta analisis Confusion Matrix. Hasil penelitian menunjukkan bahwa algoritma XGBoost mencapai tingkat akurasi keseluruhan tertinggi sebesar 86,71%. Namun, akibat ketidakseimbangan dataset, model tersebut cenderung gagal mendeteksi kelas minoritas sehingga menghasilkan nilai Recall yang sangat rendah (17,80%). Sebaliknya, algoritma Naive Bayes dengan tingkat akurasi 77,20% justru berhasil mencatatkan kinerja diagnostik terbaik, dibuktikan dengan nilai Recall tertinggi (56,55%) dan F1-Score (40,62%). Kesimpulan dari penelitian ini menegaskan bahwa untuk tujuan skrining medis, di mana kesalahan False Negative sangat berisiko fatal, Naive Bayes merupakan model klasifikasi yang paling fungsional dan dapat diandalkan dibandingkan model yang sekadar mengandalkan akurasi tinggi.
Co-Authors Fitra Salam S. Nagalay Ubaidillah Ubaidillah