<![CDATA[Gangguan jantung telah menjadi penyebab utama kematian secara global, dengan tren kejadian yang terus meningkat di berbagai negara. Keberhasilan penanganan penyakit ini sangat bergantung pada diagnosis dini yang akurat. Namun, upaya deteksi dini di lapangan menghadapi tantangan yang signifikan, terutama terbatasnya jumlah tenaga medis yang tersedia dan ketersediaan sumber daya diagnostik yang memadai. Untuk mengatasi gambaran ini, pemanfaatan algoritma data mining menawarkan solusi efektif untuk mengidentifikasi pola dan memprediksi risiko penyakit jantung. Penelitian ini secara khusus dirancang untuk menganalisis dan membandingkan kinerja dua algoritma klasifikasi yang populer di bidang medis: Decision Tree (C4.5), yang berbasis aturan, dan Naive Bayes, yang berbasis probabilitas. Tujuannya adalah menentukan model mana yang paling efektif dalam risiko gagal jantung. Dataset penelitian ini telah melalui tahap preprocessing yang cermat sebelum dibagi menjadi 70% data latih dan 30% data uji, guna memastikan validasi model yang objektif. Berdasarkan hasil pengujian, ditemukan bahwa algoritma Naive Bayes memberikan kinerja yang lebih unggul dengan akurasi 86,41%. Sementara itu, algoritma Decision Tree C4.5 memperoleh akurasi 80,43%. Hasil ini secara jelas menunjukkan pendekatan probabilistik yang digunakan oleh Naive Bayes—walaupun memiliki asumsi independensi fitur—terbukti lebih efektif dalam menangani karakteristik dan kompleksitas dataset penyakit jantung dalam penelitian ini, dibandingkan dengan pendekatan berbasis pohon keputusan. Temuan ini memberikan wawasan penting bahwa Naive Bayes dapat dijadikan referensi yang kuat untuk pengembangan sistem diagnosis dini penyakit gagal jantung. Dengan akurasi lebih tinggi, algoritma ini dapat membantu kesehatan profesional mempercepat proses diagnosis, meningkatkan ketepatan prediksi risiko, dan pada pasangannya, berkontribusi menyelamatkan lebih banyak nyawa.]]>
