Implementasi Naïve Bayes dalam Flask Framework untuk Sistem Informasi Klasifikasi Penyakit Jantung

Authors

  • Akas Bagus Setiawan Politeknik Negeri Jember
  • Dzakiyyan Nasyatha Adlin Politeknik Negeri Jember
  • Mas'ud Hermansyah Politeknik Negeri Jember

DOI:

https://doi.org/10.53513/jursi.v4i5.11494

Keywords:

Naive Bayes, penyakit jantung, Flask API, klasifikasi, Dataset

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di Indonesia, dengan tren kasus yang terus meningkat setiap tahunnya. Deteksi dini sangat penting untuk mencegah risiko yang lebih parah, namun keterbatasan akses terhadap layanan kesehatan menjadi kendala di beberapa wilayah. Penelitian ini bertujuan untuk membangun sistem klasifikasi penyakit jantung berbasis algoritma Naive Bayes yang diimplementasikan dalam API menggunakan Flask Framework Python sebagai backend cerdas. Dataset yang digunakan diperoleh dari Kaggle dan telah melalui tahapan preprocessing, seleksi atribut, transformasi data, serta pembagian data latih dan uji. Model Naive Bayes dipilih karena kesederhanaannya serta kemampuannya dalam menangani data berskala besar. Evaluasi model menunjukkan performa yang cukup baik, dengan accuracy mencapai 73,77%, precision 67,57%, dan recall 86,21%. Sistem yang dikembangkan diintegrasikan dalam layanan web dan mobile, sehingga dapat diakses oleh pengguna secara luas. Hasil penelitian ini menunjukkan bahwa integrasi algoritma machine learning dan API dapat memberikan solusi deteksi dini penyakit jantung yang ringan, cepat, dan mudah digunakan. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem pendukung keputusan dalam bidang kesehatan digital.

References

Kemenkes, “Penyakit Jantung Penyebab Utama Kematian, Kemenkes Perkuat Layanan Primer,” Sehat Negeriku. Accessed: Nov. 06, 2025. [Online]. Available: https://sehatnegeriku.kemkes.go.id

M. Afriansyah, J. Saputra, V. Y. Ardhana, and Y. Sa’adati, “Algoritma Naive Bayes Yang Efisien Untuk Klasifikasi Buah Pisang Raja Berdasarkan Fitur Warna,” JISMDB J. Inf. Syst. Manag. Digit. Bus., vol. 1, no. 2, pp. 236–248, 2024, doi: 10.59407/jismdb.v1i2.438.

D. Lestari, “Metode Naïve Bayes Dalam Machine Learning Untuk Memprediksi Penyakit Jantung Dalam Tubuh,” J. Tek. J. Teknol. Komput. dan Sist. Informasi), vol. 2, no. 1, pp. 23–28, 2022, [Online]. Available: http://jurnal.goretanpena.com/index.php/teknisi

L. Risqia and Z. Fatah, “Implementasi Analisa Penyakit Jantung Menggunakan Naïve Bayes,” Jamastika, vol. 4, no. 1, pp. 102–107, 2025.

R. Hidayatur and N. A. Arinda, “Penerapan Algoritma Naïve Bayes Untuk Mendiagnosis Dan K-Means Untuk Mengelompokkan Penyakit Gagal Jantung,” Just IT J. Sist. Informasi, Teknol. Inf. dan Komput., vol. 15, no. 1, pp. 273–283, 2024.

C. Wijayanto and Y. A. Susetyo, “Implementasi Flask Framework Pada Pembangunan Aplikasi Sistem Informasi Helpdesk (SIH),” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 3, pp. 858–868, 2022, doi: 10.29100/jipi.v7i3.3161.

P. A. Sihotang and D. Sitanggang, “Perbandingan Algoritma C4.5 Dengan Naive Bayes Untuk Memprediksi Penyakit Jantung,” J. TEKINKOM, vol. 7, no. 2, pp. 899–908, 2024, doi: 10.37600/tekinkom.v7i2.1535.

V. Simamora, A. Desiani, and I. Irmeilyana, “Klasifikasi Penyakit Hati Menggunakan Perbandingan Implementasi Algoritma Naïve Bayes Dan K-Nearest Neighbor,” J. Tek. Elektro dan Komputasi, vol. 6, no. 1, pp. 12–17, 2024, doi: 10.32528/elkom.v6i1.18424.

A. Putranto, N. L. Azizah, and A. I. Ratna Ika, “Sistem Prediksi Penyakit Jantung Berbasis Web Menggunakan Metode SVM dan Framework Streamlit,” J. Penerapan Sist. Inf. (Komputer Manajemen), vol. 4, no. 2, pp. 442–452, 2023, [Online]. Available: https://archive.ics.uci.edu/ml/datasets/heart+disease

I. Irpanudin, R. Reka, R. Nur Anggraeni, P. Pratama, A. Sujjada, and A. Fergina, “Prediksi Penyakit Jantung Menggunakan Metode Deep Neural Network dengan Memanfaatkan Internet of Things,” J. Inf. dan Teknol., vol. 5, no. 2, pp. 45–55, 2023, doi: 10.37034/jidt.v5i2.330.

C. A. WidiawatiRaras, L. Nurazizah, and I. R. Yunita, “Implementasi Algoritma Logistic Regression pada Pembuatan Website Sederhana untuk Prediksi Penyakit Jantung,” Infotekmesin, vol. 15, no. 01, pp. 117–122, 2024, doi: 10.35970/infotekmesin.v15i1.2048.

D. Larassati, A. Zaidiah, and S. Afrizal, “Sistem Prediksi Penyakit Jantung Koroner Menggunakan Metode Naive Bayes,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 2, pp. 533–546, 2022, doi: 10.29100/jipi.v7i2.2842.

D. Ruswanti, D. Susilo, and R. Riani, “Implementasi CRISP-DM pada Data Mining untuk Melakukan Prediksi Pendapatan dengan Algoritma C.45,” GO INFOTECH J. Ilm. STMIK AUB, vol. 30, no. 1, pp. 111–121, 2024, doi: 10.36309/goi.v30i1.266.

A. Rianti, N. Wachid, A. Majid, and A. Fauzi, “CRISP-DM : Metodologi Proyek Data Science,” in Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023, 2023, pp. 107–114.

Downloads

Published

2025-09-30