Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Diabetes di Puskesma Tegal Sari

Abstract

Diabetes merupakan penyakit metabolik kronis yang ditandai dengan peningkatan kadar glukosa darah dan berpotensi menyebabkan komplikasi serius apabila tidak terdeteksi secara dini. Penelitian ini bertujuan untuk menerapkan algoritma Naïve Bayes dalam mengklasifikasikan status diabetes pasien di Puskesmas Tegal Sari Medan guna mendukung skrining awal yang lebih efektif dan akurat. Populasi dalam penelitian ini adalah seluruh pasien yang tercatat dalam rekam medis Puskesmas Tegal Sari. Teknik pengambilan sampel yang digunakan adalah purposive sampling berdasarkan ketersediaan data rekam medis yang lengkap, sehingga diperoleh sampel sebanyak 399 data pasien. Metode yang diterapkan adalah Gaussian Naïve Bayes dengan pendekatan supervised learning, di mana data dibagi menggunakan teknik holdout sebesar 80% untuk data latih (319 data) dan 20% untuk data uji (80 data). Tahapan penelitian meliputi preprocessing data yang mencakup penanganan missing values, label encoding pada variabel jenis kelamin, serta normalisasi data menggunakan Min-Max Scaling. Variabel yang digunakan sebagai prediktor meliputi glukosa, tekanan darah, ketebalan kulit, insulin, BMI, jenis kelamin, dan usia. Hasil pengujian menunjukkan bahwa model Naïve Bayes mencapai akurasi sebesar 82,50%, presisi 70%, recall 80,77%, dan F1-Score 75%. Analisis korelasi mengidentifikasi glukosa (r=0,46) dan BMI (r=0,33) sebagai variabel dengan pengaruh paling signifikan terhadap klasifikasi diabetes. Berdasarkan temuan tersebut, dapat disimpulkan bahwa algoritma Naïve Bayes mampu mengklasifikasikan status diabetes dengan tingkat akurasi yang baik dan berpotensi diimplementasikan sebagai alat bantu skrining diabetes di fasilitas kesehatan tingkat dasar.