Penelitian ini bertujuan untuk membandingkan dua algoritma pembelajaran mesin, yaitu Decision Tree dan Naïve Bayes, dalam mengklasifikasikan jenis penyakit Alpha Thalassemia. Alpha Thalassemia adalah kelainan genetik yang mempengaruhi produksi hemoglobin dalam tubuh, menyebabkan anemia dan berbagai komplikasi serius. Dengan menggunakan dataset yang diperoleh dari platform Kaggle, penelitian ini menganalisis 859 data pasien yang mencakup berbagai parameter hematologi seperti Hemoglobin, Hematokrit, dan Mean Corpuscular Volume. Algoritma Decision Tree digunakan untuk membangun model klasifikasi berdasarkan struktur pohon keputusan, sementara Naïve Bayes memanfaatkan probabilitas untuk memprediksi kelas data. Kinerja kedua model dievaluasi menggunakan metrik seperti akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memiliki keunggulan dalam hal akurasi, mencapai 90%, sementara Naïve Bayes mencapai akurasi 85%. Namun, Naïve Bayes menawarkan kelebihan dalam hal kesederhanaan dan kecepatan komputasi. Kesimpulan dari penelitian ini adalah bahwa Decision Tree lebih efektif untuk klasifikasi penyakit Alpha Thalassemia, terutama dalam situasi di mana akurasi prediksi sangat penting. Namun, Naïve Bayes tetap menjadi pilihan yang baik untuk situasi yang membutuhkan model yang cepat dan sederhana.

This study aims to compare of two machine learning algorithms, namely Decision Tree and Naïve Bayes, in classifying Alpha Thalassemia disease types. Alpha Thalassemia is a genetic disorder that affects the production of hemoglobin in the body, causing anemia and various serious complications. Using a dataset obtained from the Kaggle platform, this study analyzed 859 patient data covering various hematological parameters such as Hemoglobin, Hematocrit, and Mean Corpuscular Volume. Decision Tree algorithm was used to build a classification model based on a decision tree structure, while Naïve Bayes utilized probabilities to predict the class of the data. The performance of both models was evaluated using metrics such as accuracy, precision, recall, and F1-score. The results show that the Decision Tree algorithm has an advantage in terms of accuracy, reaching 90%, while Naïve Bayes achieves 85% accuracy. However, Naïve Bayes offers advantages in terms of simplicity and computational speed. The conclusion of this study is that Decision Tree is more effective for Alpha Thalassemia disease classification, especially in situations where prediction accuracy is critical. However, Naïve Bayes remains a good choice for situations that require a fast and simple model.