Analisis Prediksi Resiko Diabetes Tahap Awal Menggunakan Algoritma Naive Bayes
Abstract
Diabetes merupakan salah satu penyakit kronis yang diakibatkan adanya kelainan sekresi insulin pada kenaikan glukosa secara tidak teratur. Resiko penyakit stroke, penyakit jantung, kebutaan bahkan hingga resiko kematian merupakan penyakit komplikasi yang terjadi ketika adanya peningkatakn gula darah dalam tubuh pada penderita diabetes. Diabetes merupakan salah satu penyakit yang memiliki faktor resiko kematian yang tinggi. Deteksi dini penyakit diabetes perlu dilakukan sebagai upaya dalam menurukan tingkat kematian yang diakibatkan oleh faktor penyakit tersebut. Model yang diusulkan yaitu menerapkan algoritma Naive Bayes sebagai algoritma pengklasifikasi. Dataset yang dijadikan sebagai objek penelitian yaitu dataset Early Stage Diabetes Risk Prediction merupakan dataset terbuka yang bersumber dari UCI Machine Learning. Metode-metode yang digunakan dalam melakukan prediksi yaitu metode data mining. Data mining merupakan serangkaian tindakan untuk menemukan hubungan dari pola dan kecenderungan dari data yang disimpan. Desain alur sistem klasifikasi jenis pada penelitian ini, dimulai dari penentuan Dataset, Loading dan baca data, Analisis Eksplorasi Data, Data Preprocessing, membangun model data, evaluasi Confusion Matrix, dan Hyperparameter Tuning. Didapatkan nilai True Positive sebanyak 276, True Negative sebanyak 180, False Positive sebanyak 20 dan False Negative sebanyak 44. Nilai akurasi yang didapatkan dalam penelitian yaitu sebesar 87.88% dengan kategori Good Classification serta memiliki error rate yang rendah yaitu 12.12% termasuk kedalam kategori Good Error Rate. Hasil penelitian tersebut menunjukan bahwa algoritma Naive Bayes memiliki kinerja yang baik serta dapat dijadikan sebagai landasan dalam memprediksi risiko diabetes tahap awal.
Full Text:
PDFReferences
Cahyani, Q. R., Finandi, M. J., Rianti, J., Arianti, D. L., & Putra, A. D. (2022, Juni). Prediksi Risiko Penyakit Diabetes menggunakan Algoritma regresi Logistik. Journal of Machine Learning and Artificial Intelligence, 1(2), 107-114.
Erlin, Marlim, Y. N., Junadhi, L., S., & Agustina, N. (2022, Mei). Deteksi Dini Penyakit Diabetes Menggunakan Machine Learning dengan Algoritma Logistic Regression. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 11(2), 88-96. doi:10.22146/jnteti.v11i2.3586
Fernanda, S. I., Ratnawati, D. E., & Adikara, P. P. (2017, Juni). Identifikasi Penyakit Dibetes Melitus Menggunakan Metode Modified K-Nearest Neighbor (MKNN). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(6), 507-513.
Hana, F. M. (2020, Oktober). Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4.5. Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), 4(1), 32-39. doi:10.47970/siskom-kb.v4i1.173
Jackins, V, Vimal, S, Kaliappan, M, & Lee, MY (2021). AI-based smart prediction of clinical disease using random forest classifier and Naive Bayes. The Journal of …, Springer, https://doi.org/10.1007/s11227-020-03481-x
Oktafini, R., & Rianto, R. (2023, Agustus). Perbandingan Algoritma Support Vector Machine (SVM) dan Decission Tree untu Sistem Rekomendasi Tempat Wisata. Jurnal Nasional Teknologi dan Sistem Informasi, 9(2), 113-121. doi:10.25077/TEKNOSI.v9i2.2023.113-121
Saritas, MM, & Yasar, A (2019). Performance analysis of ANN and Naive Bayes classification algorithm for data classification. International journal of intelligent systems and …, ijisae.org, https://ijisae.org/IJISAE/article/view/934
Sitanggang, D., Nicholas, N., Wilson, V. Sinaga, A. R., & Simanjuntak, A. D. (2022, Desember). Implementasi Data Mining untuk Memprediksi Penyakit Jantung Menggunakan Metode K-Nearest Neighbor dan Logistic Regression. Jurnal Teknik Informasi dan Komputer (Tekinkom), 5(2), 493. doi:10.37600/tekinkom.v5i2.698
Stephens, CR, Huerta, HF, & Linares, AR (2018). When is the Naive Bayes approximation not so naive?. Machine Learning, Springer, https://doi.org/10.1007/s10994-017-5658-0
Suryadewiansyah, M. K., & Tju, T. E. (2022, Agustus). Naive Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System Alert. Jurnal Nasional Teknologi dan Sistem Informasi, 8(2), 81-88. doi:10.25077/TEKNOSI.v8i2.2022.81-88
Wilson, AJ, Lakeland, BS, Wilson, TJ, & ... (2023). A naive Bayes classifier for identifying Class II YSOs. Monthly Notices of the …, academic.oup.com, https://academic.oup.com/mnras/article-abstract/521/1/354/7009217
Wijanarto, W., & Puspitasari, R. (2019, September). Optimasi Algoritma Klasifikasi Biner dengan Tuning Parameter pada Penyakit Diabetes Mellitus. Eksplora Informatika, 9(1), 50-59. doi:10.30864/eksplora.v9i1.257
Yang, FJ (2018). An implementation of naive bayes classifier. 2018 International conference on computational …, ieeexplore.ieee.org, https://ieeexplore.ieee.org/abstract/document/8947658/
Yosmar, R., Amasdy, D., & Rahma, F. (2018, Agustus). Survei Resiko Penyakit Diabetes Melitus Terhadap Masyarakat Kota Padang. Jurnal Sains Farmasi & Kliis, 5(2), 134-141. doi:10.25077/jsfk.5.2.134-141.2018
Yusnaeni, W., & Widiarina, W. (2022, Januari). Penerapan Algoritma C4.5 dalam Prediksi Resiko Diabetes Tahap Awal (Early Stage Diabetes). Jurnal Teknik Komputer, 8(1), 56-60. doi:10.31294/jtk.v8i1.11566
Zhang, H, Jiang, L, & Yu, L (2021). Attribute and instance weighted naive Bayes. Pattern Recognition, Elsevier, https://www.sciencedirect.com/science/article/pii/S0031320320304775
DOI: https://doi.org/10.37012/jtik.v9i2.2017
Refbacks
- There are currently no refbacks.
Copyright (c) 2024 Muhtajuddin Danny, Asep Muhidin
This work is licensed under a Creative Commons Attribution 4.0 International License.
Address:
Universitas Mohammad Husni Thamrin
Jl. Raya Pd. Gede No.23-25, RT.2/RW.1, Dukuh, Kec. Kramat jati, Kota Jakarta Timur, Daerah Khusus Ibukota Jakarta 13550
Jurnal Teknologi Informatika & Komputer Mohammad Husni Thamrin is licensed under a Creative Commons Attribution 4.0 International License.