<![CDATA[ABSTRAK Penyakit hepatitis merupakan salah satu masalah kesehatan global yang kritis dan terus menjadi tantangan besar dalam dunia medis karena menyerang organ hati dan sulit terdeteksi pada tahap awal. Kondisi ini menuntut adanya metode diagnosis yang lebih cepat, efektif, dan mampu memberikan prediksi akurat untuk membantu tenaga medis dalam proses identifikasi dini. Seiring perkembangan teknologi, pendekatan berbasis machine learning mulai banyak diadopsi untuk mendukung analisis data medis secara otomatis. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa dua algoritma klasifikasi, yaitu Decision Tree dan Naive Bayes, dalam memprediksi status penyakit hepatitis berdasarkan data biokimia darah. Dataset yang digunakan bersumber dari platform Kaggle, terdiri atas 615 data pasien dan 14 atribut laboratorium. Tahapan penelitian meliputi pra-pemrosesan data, normalisasi, pembagian data menjadi 70% data latih dan 30% data uji, pelatihan model, serta evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memperoleh akurasi sebesar 88,65%, sedikit lebih tinggi dibandingkan algoritma Naive Bayes yang mencapai akurasi 87,03%. Temuan ini mengindikasikan bahwa Decision Tree lebih efektif dalam menangani variasi data dan hubungan non-linear antar fitur biokimia. Secara keseluruhan, penelitian ini menegaskan bahwa kedua model mampu digunakan sebagai sistem pendukung keputusan dalam mendeteksi hepatitis, namun Decision Tree menjadi model yang lebih potensial untuk diimplementasikan pada tahap diagnosis awal.]]>
