<![CDATA[Penyakit Ginjal Kronis (PGK) adalah masalah kesehatan di seluruh dunia dengan peningkatan jumlah penderita yang stabil, termasuk di Indonesia. Identifikasi tepat waktu diabetes melitus gestasional (DMG) sangat penting untuk mengurangi risiko komplikasi dan kematian, namun penilaian manual seringkali membutuhkan waktu dan sumber daya yang cukup besar. Perkembangan teknologi machine learning memungkinkan proses diagnosis lebih cepat dan akurat. Penelitian ini bertujuan membandingkan kinerja algoritma Naïve Bayes dan C4.5 dalam mendeteksi penyakit ginjal menggunakan dataset Chronic Kidney Disease (CKD) yang diperoleh dari platform Kaggle. Dataset terdiri dari 400 data pasien dengan 34 atribut medis, seperti tekanan darah, kadar kreatinin, albumin urin, dan parameter laboratorium lainnya. Metode penelitian meliputi pembersihan data, seleksi atribut, transformasi data, pembagian data menjadi 80% data latih dan 20% data uji, serta penerapan kedua algoritma menggunakan perangkat lunak WEKA. Evaluasi kinerja dilakukan dengan matrik akurasi, precision, recall, F1-score, dan AUC-ROC. Hasil pengujian menunjukkan bahwa pada pembagian data 80:20, algoritma Naïve Bayes memperoleh akurasi 83,13%, precision 84,05%, recall 97,68%, F1-score 90,36%, dan AUC-ROC 59,50%. Sementara itu, algoritma C4.5 (J48) mencapai akurasi lebih tinggi yaitu 87,50%, precision 85,93%, recall 98,45%, F1-score 91,74%, dan AUC-ROC 63,20%.]]>
Copyrights © 2026
