Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Algoritma
Salsabila Ainur Hidayah
Universitas Teknokrat Indonesia
Computer Science & IT

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

Found 1 Documents
Search

 1 
Prediksi Penyakit Asma Menggunakan Naïve Bayes dan Random Forest Berbasis Data Klinis Multivariat Salsabila Ainur Hidayah; Zaenal Abidin
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3521

Abstract

Asma merupakan penyakit kronis pada sistem pernapasan yang berpotensi menurunkan kualitas hidup pasien secara signifikan apabila tidak terdeteksi dan ditangani secara tepat. Penelitian ini bertujuan membandingkan kinerja Gaussian Naïve Bayes dan Random Forest dalam prediksi penyakit asma menggunakan Asthma Disease Dataset dari Kaggle yang memuat 2.392 data pasien dengan distribusi kelas yang tidak seimbang, yakni 2.268 data non-asma dan 124 data asma. Tahapan yang ditempuh meliputi seleksi fitur, preprocessing menggunakan StandardScaler, penanganan ketidakseimbangan kelas dengan SMOTE yang diterapkan eksklusif pada data latih, proses klasifikasi, serta evaluasi model menggunakan metrik accuracy, precision, recall, F1-score, ROC AUC, Cohen's Kappa, MCC, dan 5-Fold Cross Validation. Hasil pengujian menunjukkan bahwa Random Forest memperoleh accuracy tertinggi sebesar 0,904 dengan precision 0,080, sedangkan Gaussian Naïve Bayes menghasilkan recall 0,520, F1-score 0,134, dan ROC AUC 0,638. Temuan ini mengindikasikan bahwa Random Forest lebih unggul dari sisi akurasi keseluruhan, sementara Gaussian Naïve Bayes lebih efektif dalam mendeteksi kasus asma pada dataset yang digunakan. Hasil penelitian ini dapat menjadi referensi dalam pengembangan sistem pendukung keputusan untuk identifikasi risiko asma, meskipun validasi lebih lanjut menggunakan data klinis yang lebih beragam tetap diperlukan.
Co-Authors Zaenal Abidin