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

Abstract

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.Chronic Kidney Disease (CKD) remains one of the most critical global health issues due to its progressive nature and the absence of early symptoms that often lead to late diagnosis. In Jayapura City, the number of CKD cases continues to increase, driven by factors such as hypertension, diabetes, and limited access to early diagnostic services. This study aims to develop a predictive model for CKD using the Naïve Bayes algorithm and to analyze the relationship between clinical variables that contribute to CKD among patients in Jayapura. The research adopts the Cross-Industry Standard Process for Data Mining (CRISP-DM), which includes business understanding, data understanding, data preparation, modeling, evaluation, and deployment. A clinical dataset consisting of 500 patient records and 13 medical attributes—such as blood pressure, glucose level, serum creatinine, hemoglobin, albumin, and urine characteristics—was used. The dataset had been pre-cleaned before processing, ensuring it was ready for direct modeling in RapidMiner. The Naïve Bayes model achieved an accuracy of 94.40%, with substantial precision and recall values across both CKD and non-CKD classes. These findings indicate that Naïve Bayes is highly effective in identifying CKD patterns within local patient data. The main contribution of this study lies in the use of real clinical data specific to Jayapura, which provides insights into regional CKD characteristics and offers a reliable predictive tool to support early screening. The implications of this research highlight the potential integration of the model into clinical decision-support systems and community health monitoring applications, enabling earlier interventions and improved patient outcomes.