Chronic Kidney Disease Prediction Model Using Naïve Bayes (Case Study: Jayapura City)

Penyakit Ginjal Kronis (PGK) merupakan salah satu masalah kesehatan yang kritis karena bersifat progresif dan sering tidak menunjukkan gejala pada tahap awal, sehingga banyak pasien terdiagnosis pada stadium lanjut. Di Kota Jayapura, jumlah kasus PGK terus meningkat akibat hipertensi, diabetes, serta keterbatasan akses layanan deteksi dini. Penelitian ini bertujuan membangun model prediksi PGK menggunakan algoritma Naïve Bayes serta menganalisis keterkaitan variabel klinis yang berpengaruh terhadap PGK pada pasien di Jayapura. Penelitian mengikuti kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM), meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment. Dataset yang digunakan terdiri dari 500 data pasien dengan 13 atribut medis, termasuk tekanan darah, glukosa darah, kreatinin serum, hemoglobin, albumin, dan kondisi urin. Seluruh data telah melalui tahap pembersihan sebelum pemodelan sehingga tidak memerlukan preprocessing lanjutan. Pemodelan dilakukan menggunakan RapidMiner, dan algoritma Naïve Bayes menghasilkan akurasi sebesar 94.40% dengan nilai precision dan recall tinggi pada kedua kelas PGK dan non-PGK. Hasil ini menunjukkan bahwa Naïve Bayes efektif dalam mengidentifikasi pola PGK pada data klinis lokal. Kontribusi utama penelitian ini adalah pemanfaatan data nyata dari pasien Kota Jayapura, sehingga menghasilkan model prediksi yang relevan secara regional serta memberikan pemahaman baru mengenai faktor medis yang dominan. Implikasi penelitian ini mencakup potensi integrasi model ke dalam sistem pendukung keputusan klinis maupun aplikasi monitoring kesehatan untuk mendukung deteksi dini PGK dan meningkatkan kualitas layanan kesehatan.