UNSURYAUNSURYA

JSI (Jurnal sistem Informasi) Universitas SuryadarmaJSI (Jurnal sistem Informasi) Universitas Suryadarma

Diabetes melitus merupakan salah satu penyakit kronis yang prevalensinya terus meningkat di seluruh dunia. Di Indonesia sendiri, penyakit diabetes melitus berada di urutan tiga besar penyakit penyebab kematian tertinggi, sedangkan di dunia Indonesia berada di urutan lima besar. Deteksi dini dan prediksi penyakit ini sangat penting untuk mengurangi risiko komplikasi dan meningkatkan kualitas hidup penderita. Penelitian ini bertujuan untuk memprediksi penyakit diabetes melitus berdasarkan berbagai faktor risiko, serta untuk mengetahui implementasi metode diagnosa menggunakan metode Decision Tree dan Naïve Bayes. Dataset yang digunakan adalah dataset publik yang diolah menggunakan metode algoritma. Perbandingan hasil penelitian penggunaan algoritma Decision Tree dan Naïve Bayes menunjukkan tingkat akurasi pada algoritma Decision Tree sebesar 70,87% dan Naïve Bayes sebesar 73,48%. Data tersebut menunjukkan bahwa penggunaan algoritma Naïve Bayes memiliki tingkat akurasi yang lebih tinggi dibandingkan algoritma Decision Tree.

Algoritma Naïve Bayes menunjukkan akurasi yang lebih tinggi dibandingkan Decision Tree dalam memprediksi diabetes melitus, yaitu 73,48% berbanding 70,87%.Kedua metode terbukti dapat diimplementasikan dengan baik menggunakan aplikasi RapidMiner untuk klasifikasi penyakit diabetes.Meskipun demikian, akurasi model masih dapat ditingkatkan melalui optimasi pembagian data latih dan uji serta penambahan jumlah data.

Pertama, perlu dilakukan penelitian dengan membandingkan kinerja algoritma Decision Tree dan Naïve Bayes menggunakan dataset yang lebih besar dan beragam, termasuk data dari populasi daerah terpencil di Indonesia untuk melihat generalisasi model. Kedua, penelitian lanjutan dapat mengembangkan model hybrid dengan menggabungkan Decision Tree dan Naïve Bayes agar kelebihan masing-masing algoritma saling melengkapi untuk meningkatkan akurasi prediksi. Ketiga, perlu dieksplorasi penerapan teknik seleksi fitur atau reduksi dimensi untuk mengidentifikasi variabel paling berpengaruh terhadap prediksi diabetes, sehingga model menjadi lebih efisien dan interpretabel tanpa mengorbankan akurasi, serta dapat diintegrasikan ke dalam sistem deteksi dini berbasis mobile atau web yang mudah diakses masyarakat umum.

  1. One moment, please.... one moment please wait request verified doi.org/10.70247/jumistik.v4i1.139One moment please one moment please wait request verified doi 10 70247 jumistik v4i1 139
  2. DOI Name 10.62335 Values. name values index type timestamp data serv crossref email support desc prefix... doi.org/10.62335DOI Name 10 62335 Values name values index type timestamp data serv crossref email support desc prefix doi 10 62335
Read online
File size795.15 KB
Pages9
DMCAReport

Related /

ads-block-test