<![CDATA[Diabetes is a chronic disease affecting various age groups with a risk of fatal complications. Accurate diagnosis is a crucial initial step in management; however, the gradual progression of symptoms often leads to delayed detection. This study compares the accuracy of the Naïve Bayes and K-Nearest Neighbors (KNN) algorithms in predicting diabetes using a dataset from Kaggle. Naïve Bayes was chosen for its ability to handle large datasets, missing values, irrelevant attributes, and noise, while KNN offers simplicity in implementation. The results show that KNN achieves a higher accuracy of 79% compared to Naïve Bayes at 76%. Therefore, KNN is recommended for diabetes prediction based on this dataset.Keywords: Diabetes; Naïve Bayes, K-Nearest Neighbors; Accuracy AbstrakDiabetes merupakan penyakit kronis yang menyerang berbagai usia dengan risiko komplikasi fatal. Diagnosis yang akurat menjadi langkah awal penting untuk pengelolaan, namun gejala yang berkembang perlahan sering menyebabkan keterlambatan deteksi. Penelitian ini membandingkan akurasi algoritma Naïve Bayes dan K-Nearest Neighbors (KNN) dalam memprediksi diabetes menggunakan dataset dari Kaggle. Naïve Bayes dipilih karena kemampuannya menangani dataset besar, data hilang, atribut tidak relevan, dan noise, sedangkan KNN menawarkan kesederhanaan implementasi. Hasil pengujian menunjukkan bahwa KNN memiliki akurasi lebih tinggi sebesar 79% dibandingkan Naïve Bayes yang mencapai 76%. Dengan demikian, KNN lebih direkomendasikan untuk prediksi diabetes berdasarkan dataset ini.Kata Kunci: Diabetes; Naïve Bayes; K-Nearest Neighbors; Akurasi]]>
Copyrights © 2025
