@thesis{thesis,
		author={Hardiyanto  Teddy},
		title ={PERBANDINGAN MODEL NAÏVE BAYES DAN DECISION TREE UNTUK MEMPREDIKSI PENYAKIT JANTUNG},
		year={2024},
		url={http://repository.unama.ac.id/3988/},
		abstract={Penyakit jantung, sebuah tantangan global yang mengancam terutama wanita dewasa di Indonesia, mencapai tingkat prevalensi nasional sebesar 1,5% pada tahun 2018, menurut data dari databoks. Perlunya partisipasi aktif komunitas kardiologi untuk kemajuan praktik klinis global. Pemahaman global mengenai prevalensi penyakit kardiovaskular dan neurovaskular menjadi krusial dalam mengembangkan solusi pencegahan yang tepat. Penelitian ini membandingkan kinerja algoritma Naïve Bayes dan Decision Tree dalam klasifikasi penyakit jantung, dengan fokus pada dua pertanyaan penelitian utama. Pertama, bagaimana kinerja masing-masing algoritma dalam memprediksi penyakit jantung? Kedua, sejauh mana kinerja keduanya mampu menangani situasi di mana beberapa variabel memiliki peran lebih penting dalam mendeteksi penyakit jantung daripada fitur lainnya? Metodologi penelitian dimulai dengan identifikasi masalah melalui studi literatur, pemilihan metode, dan pengumpulan data relevan. Pre-processing melibatkan pemilihan model dan pembagian data untuk evaluasi kinerja, dengan fokus pada metrik seperti akurasi, presisi, recall, dan f1-score untuk menentukan model terbaik. Decision Tree unggul dalam mendeteksi penyakit jantung pada skala data besar dengan akurasi 90.79% (User Training Test) dan 90.71% (Cross-Validation 10 Fold), melampaui Naïve Bayes yang mencapai 81.93% dan 81.82%. Temuan ini konsisten dengan penelitian sebelumnya, menyoroti keunggulan Decision Tree. Meskipun demikian, pemilihan model sebaiknya mempertimbangkan karakteristik dataset dan kebutuhan aplikasi khusus. Penelitian ini berkontribusi pada pemahaman prediksi penyakit jantung menggunakan Naïve Bayes dan Decision Tree. Rekomendasi untuk penelitian berikutnya termasuk penggunaan dataset serupa dengan atribut yang lebih sedikit guna meningkatkan performa prediksi. Pengujian dengan metode lain diharapkan dapat memberikan perbandingan yang lebih komprehensif dan hasil prediksi yang lebih baik.}
		}