PERBANDINGAN KLASIFIKASI PENYAKIT DIABETES MENGGUNAKAN METODE MACHINE LEARNING
Article Sidebar
Main Article Content
Abstract
Diabetes adalah penyakit ketika tubuh manusia tidak dapat menggunakan insulin dengan baik. Apabila pada kasus tersebut berlangsung dalam waktu jangka panjang, maka kadar glukosa tersebut dapat merusak organ tubuh, bahkan kegagalan fungsi organ dan jaringan pada tubuh manusia yang dapat menyebabkan komplikasi bahkan kematian. Menurut International Diabetes Federation, pada tahun 2021, kematian yang disebabkan oleh diabetes sebanyak 236.711 ribu jiwa yang berusia sekitar 20-79 tahun. Perkembangan teknologi pada masa sekarang, dapat membantu manusia untuk mendapatkan informasi dan memprediksi penyakit tersebut serta dapat membantu dalam pengembangan pengobatan dan agar mencegah terjadinya penyakit diabetes tertentu lebih dalam menggunakan pendekatan machine learning dengan teknik klasifikasi. Algoritma klasifikasi yang akan digunakan penulis untuk memprediksi penyakit diabetes tersebut adalah Algoritma Decision Tree, Algoritma Support Vector Machine dan Algoritma Naïve Bayes. Data prediksi diabetes yang dikumpulkan sebanyak 2768 data dengan masing-masing algoritma memiliki 70% data training dan 30% data testing. Algoritma yang memiliki nilai evaluasi paling tinggi ialah Algoritma Naïve Bayes dengan rata-rata accuracy sebesar 78%, precision sebesar 77%, recall sebesar 78%, dan f1-score sebesar 77%.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
F. Fatmawati, "PERBANDINGAN ALGORITMA KLASIFIKASI DATA MINING MODEL C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT DIABETES," Jurnal Techno Nusa Mandiri, vol. 13, no. 1, pp. 50-59, 2016.
"Indonesia diabetes report 2000 - 2045," International Diabetes Federation, [Online]. Available: https://diabetesatlas.org/data/en/country/94/id.html. [Accessed 22 September 2023].
A. Praja, C. Lubis and E. D. Herdiwindiati, "Deteksi Penyakit Diabetes dengan Metode Fuzzy C Means Clustering dan K-Means Clustering," Computatio: Journal of Computer Science and Information Systems, vol. 1, no. 1, pp. 15-24, 2017.
A. M. Argina, "Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes," Indonesian Journal of Data and Science, vol. 1, no. 2, pp. 29-33, 2020.
W. Apriliah, I. Kurniawan and M. Baydhowi, "Apriliah, W., Kurniawan, I., BaydhoPrediksi kemungkinan diabetes pada tahap awal menggunakan algoritma klasifikasi Random Forest," Sistemasi: Jurnal Sistem Informasi, vol. 10, no. 1, pp. 163-171, 2021.
A. A. Robbani, A. M. Siregar and D. S. Kusumaningrum, "Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma C4.5," Scientific Student Journal for Information, vol. 3, no. 1, pp. 76-82, 2022.
S. Kalimah, "Klasifikasi Penyakit Diabetes Menggunakan Metode Decision Tree dan Random Forest," Repository Universitas Sriwijaya, 2022.
A. W. Mucholladin, F. A. Bachtiar and M. T. Furqon, "Klasifikasi Penyakit Diabetes menggunakan Metode Support Vector Machine," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 2, pp. 622-633, 2021.
A. Ridwan, "Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus," Jurnal Sistem Komputer dan Kecerdasan Buatan (SISKOM-KB), vol. 4, no. 1, 2020.
V. A. Kumari and R. Chitra, "Classification Of Diabetes Disease Using Support Vector Machine," International Journal of Engineering Research and Applications, vol. 3, no. 2, pp. 1797-1801, 2013.
M. Ardiansyah, A. Sunyoto and E. T. Luthfi, "Analisis Perbandingan Akurasi Algoritma Naïve Bayes dan C4.5 untuk Klasifikasi Diabetes," Edumatic: Jurnal Pendidikan Informatika, vol. 5, no. 2, pp. 147-156, 2021.
B. A. C. Permana and I. K. Dewi, "Komparasi Metode Klasifikasi Data Mining Decision Tree dan Naive Bayes Untuk Prediksi Penyakit Diabetes," Infotek J. Inform. dan Teknol, vol. 4, no. 1, pp. 63- 69, 2021.
E. E. Barito, J. T. Beng and D. Arisandi, "Penerapan Algoritma C4. 5 untuk Klasifikasi Mahasiswa Penerima Bantuan Sosial Covid-19," Jurnal Ilmu Komputer dan Sistem Informasi, vol. 10, no. 1, 2022.
Y. Mardi, "Data Mining : Klasifikasi Menggunakan Algoritma C4. 5," Jurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika, vol. 2, no. 2, pp. 213-219, 2017.
A. J. Hendryli and D. E. Herwindiati, "Klasifikasi Tanaman Obat Herbal Menggunakan Metode Support Vector Machine," Computatio: Journal of Computer Science and Information Systems, vol. 5, no. 1, pp. 25-35, 2021.
I. Andriyanto, E. Santoso and S. , "Pemodelan Sistem Pakar Untuk Menentukan Penyakit Diabetes Mellitus Menggunakan Metode Naive Bayes Studi Kasus: Puskesmas Poncokusumo Malang," Andriyanto, I., Santoso, E. and Suprapto, S., 2018. Pemodelan Sistem Pakar Untuk Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 2, pp. 880-887, 2018.
H. Apriyani and K. Kurniati, "Perbandingan Metode Naive Bayes Dan Support Vector Machine Dalam Klasifikasi Penyakit Diabetes Melitus," Journal of Information Technology Ampera, vol. 1, no. 3, pp. 133-143, 2020.
D. Normawati and S. A. Prayogi, "Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter," Normawati, Dwi, and Surya Allit Prayogi. "Implementasi Naïve Bayes Classifier Dan J-SAKTI (Jurnal Sains Komputer Dan Informatika, vol. 5, no. 2, pp. 697-711, 2021.
A. S. Rahayu, A. Fauzi and R. , "Rahayu, Ayu Sri, AhmaKomparasi Algoritma Naïve Bayes Dan Support Vector Machine (SVM) Pada Analisis Sentimen Spotify," Jurnal Sistem Komputer dan Informatika (JSON), vol. 4, no. 2, pp. 349-354, 2022.
T. A. Y. Siswa and N. A. Verdikha, "Komparasi Algoritma Klasifikasi Untuk Menentukan Evaluasi Kinerja Terbaik Pada Status Akreditasi Sekolah/Madrasah Kalimantan Timur Berdasarkan IASP 2020," Jurnal Informatika Teknologi dan Sains (Jinteks), vol. 4, no. 3, pp. 185-192, 2022