ANALISIS PERBANDINGAN ALGORITMA RANDOM FOREST DAN NAÏVE BAYES DALAM KLASIFIKASI PENYAKIT AIDS

Saprudin, Muhamad Tedi
Sudrajat, Budi
Asymar, Hasta Herlan

JURNAL ELEKTRO DAN INFORMATIKA SWADHARMA (JEIS)
Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026 (ON PROGRESS)

This study aims to compare the performance of the Random Forest and Naïve Bayes algorithms in classifying AIDS based on patient data. The dataset was obtained from the Kaggle platform and consists of 2,139 data points with 23 attributes, including medical information such as age, weight, haemoglobin level, gender, treatment type, and CD4 and CD8 cell counts. The research method comprises several stages: data collection, pre-processing, model building, and evaluation. The model was evaluated using metrics such as accuracy, precision, recall, F1-score, confusion matrix, and AUC-ROC. The results showed that the Random Forest algorithm outperformed Naïve Bayes. Random Forest achieved an accuracy of 88.16% and an AUC of 91.25%, while Naïve Bayes only achieved an accuracy of 81.46% and an AUC of 81.40%. These findings indicate that Random Forest is better able to handle complex, non-linear medical data and provides more stable, reliable classification results. Therefore, Random Forest is recommended as a more effective algorithm for classifying AIDS cases based on the dataset used in this study.Penelitian ini bertujuan untuk membandingkan kinerja algoritma Random Forest dan Naïve Bayes dalam melakukan klasifikasi penyakit AIDS berdasarkan data pasien. Dataset yang digunakan diperoleh dari platform Kaggle dan terdiri atas 2.139 data dengan 23 atribut, yang mencakup informasi medis seperti usia, berat badan, kadar hemoglobin, jenis kelamin, jenis pengobatan, serta jumlah sel CD4 dan CD8. Metode penelitian meliputi beberapa tahapan, yaitu pengumpulan data, pra-pemrosesan, pembentukan model, dan evaluasi. Model dievaluasi menggunakan metrik akurasi, presisi, recall, F1-score, confusion matrix, dan AUC- ROC. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa lebih baik dibandingkan Naïve Bayes. Random Forest mencapai akurasi sebesar 88,16% dan nilai AUC sebesar 91,25%, sedangkan Naïve Bayes hanya memperoleh akurasi 81,46% dengan AUC 81,40%. Temuan ini menunjukkan bahwa Random Forest lebih mampu menangani data medis yang kompleks dan non-linear, serta memberikan hasil klasifikasi yang lebih stabil dan andal. Oleh karena itu, Random Forest direkomendasikan sebagai algoritma yang lebih efektif untuk klasifikasi kasus AIDS menggunakan dataset pada penelitian ini.