KLASIFIKASI PENYAKIT DIABETES MENGGUNAKAN ALGORITMA NAIVE BAYES
Abstract
Penyakit diabetes adalah suatu penyakit gangguan metabolik yang di tandai oleh tingginya gula darah yang melebihi nilai normal. Terdapat banyak faktor yang menjadi penyebab penyakit diabetes, faktor-faktor tersebut diantaranya seperti faktor keturunan, berat badan, usia, dan faktor lainnya. Banyak yang tidak menyadari bahwa dirinya terkena penyakit diabetes, sehingga angka kematian yang disebabkan oleh penyakit diabetes ini semakin banyak dan setiap tahunnya diperkirakan akan terus meningkat angka kasus kematiannya. Maka dari itu penelitian ini mencoba menerapkan suatu metode klasifikasi untuk memprediksi apakah seseorang terkena diabetes atau tidak. Dataset yang digunakan pada penelitian ini merupakan data yang di dapatkan dari data Kaggle, yaitu Predict diabetes based on diagnostic measure. Metode klasifikasi yang digunakan yaitu dengan menerapkan algoritma Naive Bayes yang mampu menghasilkan akurasi yang baik. Hasil dari penelitian ini di dapati nilai akurasi 92%. Hasil ini lebih baik dibanding dengan penelitian sebelumnya yang menggunakan k-nearest neighbor (KNN) dengan tingkat akurasi sebesar 91%.
References
[2] D. Z. Maliha, E. Santoso, and M. T. Furqon, “Penerapan Metode Neighbor Weighted K-Nearest Neighbor Dalam Klasifikasi Diabetes Mellitus,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, pp. 2910–2915, 2019, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/4817.
[3] F. M. Hana, “Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4.5,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 4, no. 1, pp. 32–39, 2020, doi: 10.47970/siskom-kb.v4i1.173.
[4] A. W. Mucholladin, F. A. Bachtiar, and M. T. Furqon, “Klasifikasi Penyakit Diabetes menggunakan Metode Support Vector Machine,” vol. 5, no. 2, 2021.
[5] F. Fitriyani, “Prediksi Diabetes Menggunakan Algoritma Naive Bayes dan Greedy Forward Selection,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 61–69, 2021, doi: 10.25077/teknosi.v7i2.2021.61-69.
[6] D. Sisodia and D. S. Sisodia, “Prediction of Diabetes using Classification Algorithms,” Procedia Comput. Sci., vol. 132, no. Iccids, pp. 1578–1585, 2018, doi: 10.1016/j.procs.2018.05.122.
[7] K. M. Aamir, L. Sarfraz, M. Ramzan, M. Bilal, J. Shafi, and M. Attique, “A fuzzy rule-based system for classification of diabetes,” Sensors, vol. 21, no. 23, 2021, doi: 10.3390/s21238095.
[8] A. S. Hassan, I. Malaserene, and A. A. Leema, “Diabetes Mellitus Prediction using Classification Techniques,” Int. J. Innov. Technol. Explor. Eng., vol. 9, no. 5, pp. 2080–2084, 2020, doi: 10.35940/ijitee.e2692.039520.
[9] R. P. Fadhillah, R. Rahma, A. Sepharni, R. Mufidah, B. N. Sari, and A. Pangestu, “Klasifikasi Penyakit Diabetes Mellitus Berdasarkan Faktor-Faktor Penyebab Diabetes Menggunakan Algoritma C4.5,” J. Ilm. Penelit. dan Pembelajaran Inform., vol. 07, no. 04, pp. 1265–1270, 2022, [Online]. Available: https://journal.ubpkarawang.ac.id/mahasiswa/index.php/ssj/article/view/424/338.
[10] J. J. Purnama, S. Rahayu, S. Nurdiani, T. Haryanti, and N. A. Mayangky, “Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Diabetes,” Indones. J. Comput. Inf. Technol., vol. 5, no. 1, pp. 1–7, 2019, doi: 10.33480/pilar.v15i2.601.
[11] M. S. Efendi and H. A. Wibawa, “Prediksi Penyakit Diabetes Menggunakan Algoritma ID3 dengan Pemilihan Atribut Terbaik ( Diabetes Prediction using ID3 Algorithm with Best Attribute Selection ),” vol. VI, pp. 29–35, 2018.
[12] L. U. Khasanah, Y. N. Nasution, F. Deny, and T. Amijaya, “Klasifikasi Penyakit Diabetes Melitus Menggunakan Algoritma Naïve Bayes Classifier,” J. Ilm. Mat., vol. 1, no. 1, pp. 41–50, 2022.
[13] G. Abdurrahman, “Jurnal Sistem dan Teknologi Informasi Klasifikasi Penyakit Diabetes Melitus Menggunakan Adaboost Classifier,” vol. 7, no. 1, 2022.
[14] M. Cubillos, S. Wøhlk, and J. N. Wulff, “A bi-objective k-nearest-neighbors-based imputation method for multilevel data,” Expert Syst. Appl., vol. 204, p. 117298, Oct. 2022, doi: 10.1016/j.eswa.2022.117298.
[15] Y. F. Safri, R. Arifudin, and M. A. Muslim, “K-Nearest Neighbor and Naive Bayes Classifier Algorithm in Determining The Classification of Healthy Card Indonesia Giving to The Poor,” Sci. J. Informatics, vol. 5, no. 1, p. 18, May 2018, doi: 10.15294/sji.v5i1.12057.
[16] S. Sulistiana and M. A. Muslim, “Support Vector Machine (SVM) Optimization Using Grid Search and Unigram to Improve E-Commerce Review Accuracy,” J. Soft Comput. Explor., vol. 1, no. 1, Sep. 2020, doi: 10.52465/joscex.v1i1.3.
[17] J. Jumanto, M. F. Mardiansyah, R. N. Pratama, M. F. Al Hakim, and B. Rawat, “Optimization of breast cancer classification using feature selection on neural network,” J. Soft Comput. Explor., vol. 3, no. 2, Sep. 2022, doi: 10.52465/joscex.v3i2.78.
[18] X. Huang, Z. Li, Y. Jin, and W. Zhang, “Fair-AdaBoost: Extending AdaBoost method to achieve fair classification,” Expert Syst. Appl., vol. 202, p. 117240, Sep. 2022, doi: 10.1016/j.eswa.2022.117240.
[19] A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 4, no. 1, pp. 15–21, 2020, doi: 10.47970/siskom-kb.v4i1.169.
Copyright (c) 2022 Devi Nurul Anisa, Jumanto Jumanto
This work is licensed under a Creative Commons Attribution 4.0 International License.
