EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Analisis Akurasi Dua Metode Klasifikasi: K-Nearest Neighbor vs Naïve Bayes pada Data Diabetes

Fidalina Nirigi, Mochammad Triyanto, Mohammad Rezza Pahlevi, Athia Saelan, Fadhlanrashif Ibrahim Supriana

RIGGS: Journal of Artificial Intelligence and Digital Business · 15.05.2026 · 5 (2) · 2812-2819

DOI: 10.31004/riggs.v5i2.8671 ↗

Kurz gefasst

Fachartikel in der Zeitschrift RIGGS: Journal of Artificial Intelligence and Digital Business, online erschienen am 15.05.2026. Verfasst von Fidalina Nirigi und 4 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Diabetes merupakan kondisi metabolik yang ditandai oleh tingginya kadar glukosa darah dan telah menjadi masalah kesehatan global. Apabila tidak ditangani dengan tepat, diabetes dapat menyebabkan komplikasi serius seperti penyakit kardiovaskular, stroke, kerusakan ginjal, mata, dan sistem saraf. Perkembangan teknologi machine learning memberikan peluang dalam membantu proses klasifikasi dan prediksi penyakit diabetes secara lebih cepat dan akurat. Penelitian ini bertujuan untuk menganalisis tingkat akurasi dua metode klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Naïve Bayes pada data diabetes. Dataset yang digunakan adalah Pima Indians Diabetes Database dengan pembagian data sebesar 80% untuk data latih dan 20% untuk data uji. Tahapan penelitian meliputi preprocessing data, pelatihan model, dan pengujian klasifikasi. Variabel yang digunakan meliputi kadar glukosa, usia, indeks massa tubuh (BMI), tekanan darah, serta riwayat diabetes. Hasil penelitian menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi data diabetes dengan baik. Namun, algoritma K-Nearest Neighbor memperoleh tingkat akurasi lebih tinggi sebesar 81%, sedangkan Naïve Bayes memperoleh akurasi sebesar 77%. Berdasarkan hasil tersebut, metode K-Nearest Neighbor dinilai lebih efektif dalam proses prediksi penyakit diabetes dibandingkan metode Naïve Bayes. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem pendukung keputusan berbasis machine learning di bidang kesehatan, khususnya untuk deteksi dini penyakit diabetes.

Zitieren

APA

Nirigi, F., Triyanto, M., Pahlevi, M. R., Saelan, A., & Supriana, F. I. (2026). Analisis Akurasi Dua Metode Klasifikasi: K-Nearest Neighbor vs Naïve Bayes pada Data Diabetes. RIGGS: Journal of Artificial Intelligence and Digital Business, 5(2), 2812-2819. https://doi.org/10.31004/riggs.v5i2.8671

Vancouver

Nirigi F, Triyanto M, Pahlevi MR, Saelan A, Supriana FI. Analisis Akurasi Dua Metode Klasifikasi: K-Nearest Neighbor vs Naïve Bayes pada Data Diabetes. RIGGS: Journal of Artificial Intelligence and Digital Business. 2026;5(2):2812-2819. doi:10.31004/riggs.v5i2.8671

BibTeX
@article{Nirigi2026,
  author = {Nirigi, Fidalina and Triyanto, Mochammad and Pahlevi, Mohammad Rezza and Saelan, Athia and Supriana, Fadhlanrashif Ibrahim},
  title = {Analisis Akurasi Dua Metode Klasifikasi: K-Nearest Neighbor vs Naïve Bayes pada Data Diabetes},
  journal = {RIGGS: Journal of Artificial Intelligence and Digital Business},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {2812--2819},
  doi = {10.31004/riggs.v5i2.8671}
}
Kostenlos starten →