POLIBANPOLIBAN

POSITIF : Jurnal Sistem dan Teknologi InformasiPOSITIF : Jurnal Sistem dan Teknologi Informasi

Tingginya kadar gula dalam darah dapat mengakibatkan penyakit Diabetes. Semakin lama orang tidak dapat mengontrol glukosa dalam darah, maka dapat mengakibatkan komplikasi penyakit lain bahkan kematian. Diperlukannya deteksi dini terhadap penyakit diabetes, salah satu caranya yaitu dengan melakukan klasifikasi data mining. Klasifikasi data mining dalam penelitian ini menggunakan dua algoritma yaitu SVM (Support Vector Machine) dan Naïve Bayes. Penelitian ini membandingkan kedua algoritma dengan menggunakan dua metode yakni training split dan k-fold cross validation yang bertujuan untuk mendapatkan hasil klasifikasi terbaik dalam mendeteksi penyakit diabetes. Hasil klasifikiasi terbaik ditentukan dengan menghitung nilai dari rata-rata presisi, recall, dan akurasi.

Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan dapat disimpulkan bahwa dengan klasifikasi menggunakan metode Support Vector Machine (SVM) dan metode Naïve Bayes tergolong baik dalam penyakit diabetes karena diatas 70%.Hal ini dapat dilihat dari nilai akurasi, presisi, dan recall dari kedua metode.Metode SVM dengan metode uji yaitu persentase split menghasilkan nilai rata-rata untuk presisi, recall, dan akurasi yaitu 77%, 71.27%, sedangkan metode SVM dengan k-fold cross validation menghasilkan nilai rata-rata untuk presisi, recall, dan akurasi yaitu 77%, 72.Metode Naïve Bayes dengan metode training persentase split menghasilkan nilai rata-rata untuk presisi, recall, dan akurasi yaitu 75.5%, 79%, sedangkan metode Naïve Bayes dengan k-fold cross validation menghasilkan nilai rata-rata untuk presisi, recall, dan akurasi sebesar 75.Hasil klasifikasi terbaik dalam mendeteksi penyakit diabetes adalah metode Naïve Bayes dengan metode uji persentase split yang memberikan nilai akurasi, presisi, recall terbaik diatas 74%.

Berdasarkan hasil penelitian ini, saran penelitian lanjutan yang dapat dilakukan adalah: (1) Mengembangkan algoritma SVM dan Naïve Bayes dengan menambahkan fitur-fitur baru atau kombinasi fitur yang lebih optimal untuk meningkatkan akurasi dalam mendeteksi penyakit diabetes. (2) Melakukan perbandingan dengan algoritma-algoritma klasifikasi lainnya, seperti Random Forest atau Decision Tree, untuk menentukan algoritma mana yang paling efektif dalam mendeteksi diabetes. (3) Menganalisis lebih lanjut faktor-faktor yang mempengaruhi akurasi, seperti ukuran dataset, distribusi kelas, dan karakteristik data, untuk meningkatkan kinerja algoritma dalam mendeteksi diabetes.

Read online
File size545.54 KB
Pages10
DMCAReport

Related /

ads-block-test