ANALISIS TINGKAT AKURASI METODE NAÏVE BAYES, DECISION TREE, DAN SUPPORT VACTOR MACHINE DALAM MENGKLASIFIKASI PENYAKIT JANTUNG

• MUHAMMAD DIMAS TRIWIBOWO
• 2025

---

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia. Untuk mendukung
diagnosis dini dan akurat, penelitian ini membandingkan performa tiga algoritma klasifikasi: Naïve Bayes,
Decision Tree, dan Support Vector Machine (SVM) dalam mengklasifikasikan penyakit jantung. Dataset yang
digunakan diperoleh dari platform Kaggle dan dianalisis menggunakan bahasa pemrograman Python dalam
lingkungan Visual Studio Code. Proses penelitian melibatkan tahapan pengumpulan data, pembersihan data,
pembagian data latih dan uji, pelatihan model, serta evaluasi performa menggunakan metrik akurasi, precision,
recall, dan f1-score. Hasil eksperimen menunjukkan bahwa algoritma Decision Tree memberikan performa terbaik
dengan akurasi sebesar 93,66%, f1-score 0,93 dan 0,94 pada kedua kelas. Naïve Bayes memperoleh akurasi
sebesar 83,41% dengan kinerja yang cukup seimbang dan efisien. Sementara itu, algoritma SVM hanya mencapai
akurasi 69,27% dan menunjukkan kelemahan dalam mengenali kelas negatif. Dengan demikian, Decision Tree
direkomendasikan sebagai metode klasifikasi utama dalam prediksi penyakit jantung, sedangkan Naïve Bayes
tetap menjadi pilihan yang baik untuk aplikasi dengan keterbatasan waktu dan sumber daya.

• Kata Kunci: Penyakit Jantung
• Naïve Bayes
• Decision Tree
• Support Vector Machine
• Klasifikasi
• Akura

https://repository.bsi.ac.id/repo/75469/ANALISIS-TINGKAT-AKURASI-METODE-NAÏVE-BAYES,-DECISION--TREE,-DAN-SUPPORT-VACTOR-MACHINE-DALAM--MENGKLASIFIKASI-PENYAKIT-JANTUNG
Anda dapat membaca file tugas akhir ini di repository.