Analisis Prediktif Penyakit Menular dengan Menggunakan K-Nearest Neighbors dan Naïve Bayes di Indonesia

Abstract

Penyakit menular, khususnya Tuberkulosis (TB), tetap menjadi tantangan kesehatan utama di Indonesia. Penggunaan metode prediktif berbasis pembelajaran mesin dapat membantu dalam mengidentifikasi pola penyebaran penyakit dan mendukung upaya pencegahan yang lebih efektif. Penelitian ini bertujuan untuk menganalisis performa tiga algoritma pembelajaran mesin, yaitu K-Nearest Neighbors (KNN), Decision Tree, dan Naïve Bayes, dalam memprediksi jumlah kasus TB di berbagai provinsi di Indonesia berdasarkan data jumlah penduduk. Data yang digunakan dalam penelitian ini diperoleh dari laporan kesehatan publik dan statistik populasi, mencakup informasi tentang jumlah kasus TB dan jumlah penduduk di berbagai provinsi. Setelah melakukan pra-pemrosesan data, termasuk pembersihan, normalisasi, dan pembagian data menjadi set latih dan uji, ketiga algoritma tersebut diterapkan dan dievaluasi. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memberikan performa terbaik dalam regresi, dengan Mean Absolute Error (MAE) sebesar 11,948.45 dan R-squared (R²) sebesar 0.6247, menunjukkan kemampuan yang lebih baik dalam menangkap pola dari dataset dibandingkan dengan KNN. Algoritma KNN menunjukkan nilai MAE sebesar 16,298.91 dan R-squared sebesar 0.3424, mengindikasikan performa yang kurang memuaskan. Sementara itu, Naïve Bayes menunjukkan performa yang sangat baik dalam klasifikasi dengan akurasi sempurna (1.0), precision, recall, dan f1-score masing-masing sebesar 1.0. Berdasarkan hasil ini, Decision Tree direkomendasikan untuk prediksi jumlah kasus TB dalam pendekatan regresi, sementara Naïve Bayes sangat cocok untuk tugas klasifikasi. Penelitian ini memberikan kontribusi penting dalam penggunaan algoritma pembelajaran mesin untuk prediksi penyakit menular dan dapat membantu dalam strategi pencegahan dan pengendalian penyakit di Indonesia.