Komparasi Metode K-Nearest Neighbor dan Naïve Bayes untuk Mengklasifikasi Resiko Diabetes Di Posbindu Desa Bulupitu
DOI:
https://doi.org/10.32664/smatika.v14i02.1350Kata Kunci:
Diabetes, KNN, Naive BayesAbstrak
Diabetes melitus termasuk masalah kesehatan dengan pertumbuhan paling cepat di abad ke-21. Salah satu penyebabnya karena kurangnya kesadaran Masyarakat untuk chek-up kesehatan secara berkala, sedangkan pola hidup yang dijalaini terbilang tidak sehat. Pemeriksaan hemoglobin A1c (HbA1c) sangat dianjurkan untuk mendeteksi diabetes. Tapi layanan tersebut belum ada di Posbindu Desa Bulupitu. Oleh karena itu perlu pendekatan lain untuk mendeteksi dini resiko Masyarakat terkena diabetes yakni dengan data mining. Metode data mining yang digunakan dalam penelitian ini adalah metode klasifikasi Naïve Bayes dan KNN. Variabel untuk menentukan resiko diabetes antara lain: jenis kelamin, usia, keturunan diabetes, sering kencing, Body Mass Index (BMI), kadar gula, dan output resiko diabetes. Pembagian dataset testing dan training menggunakan cross-validation dan rasion (60:40, 70:30, 80:20, dan 90:10). Akurasi terbaik metode Naïve Bayes diperoleh diperoleh dengan pembagian dataset cross-validation k-fold=2 sebesar 96,1%. Sedangkan pada metode KNN hasil terbaik diperoleh dari rasio dataset 80:30. Manhattan distance menjadi perhitungan jarak terbaik dalam penelitian ini dibandingkan dengan Euclidean distance dan Chebyshev distance.
Referensi
D. Hardianto, “BIOTEKNOLOGI & BIOSAINS INDONESIA A Comprehensive Review of Diabetes Mellitus: Classification, Symptoms, Diagnosis, Prevention, and Treatment.†[Online]. Available: http://ejurnal.bppt.go.id/index.php/JBBI
M. Ratna Saraswati and I. Ngoerah, “Diabetes Melitus Adalah Masalah Kita,†Kementerian Kesehatan Republik Indonesia. Accessed: May 15, 2024. [Online]. Available: https://yankes.kemkes.go.id/view_artikel/1131/diabetes-melitus-adalah-masalah-kita.
S. Hartini, “Hubungan HBA1c Terhadap Kadar Glukosa Darah Pada Penderita Diabetes Mellitus Di RSUD. Abdul Wahab Syahranie Samarinda Tahun 2016,†Jurnal Husada Mahakam, vol. IV, no. 3, pp. 171–180, 2016.
L. Barreto Moreira and A. Amendoeira Namen, “A hybrid data mining model for diagnosis of patients with clinical suspicion of dementia,†Comput Methods Programs Biomed, pp. 139–149, 2018.
W. Apriliah et al., “Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,†SISTEMASI:Jurnal Sistem Informasi, vol. 10, no. 1, pp. 2540–9719, 2021, [Online]. Available: http://sistemasi.ftik.unisi.ac.id
A. Dwi Cahyani and A. Basuki, “Klasifikasi Diabetes Mellitus Menggunakan Support Vector Machine (Studi Kasus: Puskesmas Modopuro, Mojokerto),†REKAYASA: Journal of Science and Technology, vol. 12, no. 2, pp. 174–182, 2019.
H. A. Dwi Fasnuari, H. Yuana, and M. T. Chulkamdi, “PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK KLASIFIKASI PENYAKIT DIABETES MELITUS,†Antivirus : Jurnal Ilmiah Teknik Informatika, vol. 16, no. 2, pp. 133–142, Oct. 2022, doi: 10.35457/antivirus.v16i2.2445.
C. A. Rahayu, R. Hartono, and A. Sudiarjo, “Prediksi Penderita Diabetes Menggunakan Metode Naive Bayes,†JITET (Jurnal Informatika dan Teknik Elektro Terapan), vol. 11, no. 3, pp. 261–266, 2023.
M. F. M. Khalik and F. Arifin, “Klasifikasi Indeks Kedalaman Kemiskinan Provinsi Sulawesi Selatan Berbasis Decision Tree, KNearest Neighbor, Naive Bayes, Neural Network, dan Random Forest,†JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 9, no. 2, pp. 282–288, 2023.
R. Putri Fadhillah et al., “KLASIFIKASI PENYAKIT DIABETES MELLITUS BERDASARKAN FAKTOR-FAKTOR PENYEBAB DIABETES MENGGUNAKAN ALGORITMA C4.5,†JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 7, no. 4, pp. 1265–1270, 2022, [Online]. Available: www.kaggle.com
P. Arsi and O. Somantri, “Deteksi Dini Penyakit Diabetes Menggunakan Algoritma Neural Network Berbasiskan Algoritma Genetika,†Jurnal Informatika: Jurnal Pengembangan IT, vol. 3, no. 3, pp. 290–294, Oct. 2018, doi: 10.30591/jpit.v3i3.1008.
F. Fitriyani, “Prediksi Diabetes Menggunakan Algoritma Naive Bayes dan Greedy Forward Selection,†Jurnal Nasional Teknologi dan Sistem Informasi, vol. 7, no. 2, pp. 61–69, Aug. 2021, doi: 10.25077/teknosi.v7i2.2021.61-69.
W. I. N. P. Trisna, S. L. Sariwening, M. Fajar, and D. Wijayanto, “Perbandingan penghitungan jarak pada k-nearest neighbour dalam klasifikasi data tekstual,†Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 1, pp. 54–58, 2020.
R. A. Siallagan and Fitriyani, “Prediksi Penyakit Diabetes Mellitus Menggunakan Algoritma C4.5,†JURNAL RESPONSIF, vol. 3, no. 1, pp. 44–52, 2021.
R. Hidayati, A. Zubair, A. H. Pratama, and L. Indana, “Analisis Silhouette Coefficient pada 6 Perhitungan Jarak K-Means Clustering,†Techno. Com, vol. 20, no. 2, pp. 186–197, 2021.
A. Zubair and M. Muksin, “Penerapan Metode Naive Bayes Untuk Klasifikasi Status Gizi (Studi Kasus Di Klinik Bromo Malang),†Malang, 2018.
P. H. Azis, F. Fattah, and I. P. Putri, “Performa Klasifikasi K-NN dan Cross-validation pada Data Pasien Pengidap Penyakit Jantung,†ILKOM Jurnal Ilmiah , vol. 12, no. 2, pp. 81–86, 2020.
W. S. Hoar, A. Zubair, and L. Muflikhah, “Analisis sentimen kebijakan masuk sekolah pagi menggunakan algoritma Naïve Bayes,†Journal of Information System and Application Development (JISAD), vol. 2, no. 1, pp. 20–30, 2024.
O. Nurdiawan, R. Herdiana, and S. Anwar, “Komparasi Algoritma Naïve Bayes dan Algoritma K-Nearst Neighbor terhadap Evaluasi Pembalajaran Daring,†SMATIKA JURNAL, vol. 11, no. 02, pp. 126–135, Dec. 2021, doi: 10.32664/smatika.v11i02.621.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Penulis telah menyetujui bahwa pemegang hak cipta adalah SMATIKA Jurnal. Dan Author berhak menyebarkan artikel tanpa seijin SMATIKA jurnal.
