Perbandingan Algoritma C4.5, Naive Bayes, dan K- Nearest Neighbors untuk Prediksi Penyakit Jantung

Heart disease is one of the leading causes of death worldwide, making early detection crucial to reducing fatality risks. This study aims to compare the performance of three classification algorithms, namely C4.5, Naïve Bayes, and K-Nearest Neighbors (KNN), in predicting heart disease. The Heart Failure Prediction Dataset is obtained from Kaggle and the UCI Repository, comprising 1,211 patient records. After preprocessing, the data was split into training and testing sets with a 70:30 ratio. Model performance was evaluated using accuracy, precision, and recall metrics based on the confusion matrix. The results indicate that the C4.5 algorithm achieved the best performance with an accuracy of 81.07%, outperforming Naïve Bayes (79.10%) and KNN (75.68%). C4.5 also demonstrated a higher recall rate in detecting positive heart disease cases, suggesting its effectiveness in handling clinical datasets with characteristics similar to those used in this study. The main contribution of this research is providing a recommendation for utilizing the C4.5 algorithm in developing decision support systems for early heart disease detection. These findings are expected to help improve early diagnostic accuracy and support faster and more accurate medical decision-making.Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga deteksi dini menjadi sangat penting untuk mengurangi risiko fatalitas. Penelitian ini bertujuan membandingkan kinerja tiga algoritma klasifikasi, yaitu C4.5, Naïve Bayes, dan K-Nearest Neighbors (KNN), dalam memprediksi penyakit jantung. Dataset yang digunakan adalah Heart Failure Prediction Dataset yang diperoleh dari Kaggle dan UCI Repository, dengan total 1211 data pasien. Setelah dilakukan preprocessing, data dibagi dengan rasio 70:30 untuk pelatihan dan pengujian. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, dan recall berbasis confusion matrix. Hasil penelitian menunjukkan bahwa algoritma C4.5 memiliki performa terbaik dengan akurasi 81,07%, mengungguli Naïve Bayes (79,10%) dan KNN (75,68%). C4.5 juga menunjukkan nilai recall yang lebih tinggi dalam mendeteksi kasus positif penyakit jantung, mengindikasikan efektivitasnya dalam menangani data dengan karakteristik klinis seperti dataset yang digunakan. Kontribusi utama penelitian ini adalah memberikan rekomendasi pemanfaatan algoritma C4.5 dalam pengembangan sistem pendukung keputusan untuk deteksi dini penyakit jantung. Temuan ini diharapkan dapat membantu meningkatkan akurasi diagnosis awal dan mendukung pengambilan keputusan medis secara lebih cepat dan tepat