POLIBANPOLIBAN
POSITIF : Jurnal Sistem dan Teknologi InformasiPOSITIF : Jurnal Sistem dan Teknologi InformasiTingginya 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.
| File size | 545.54 KB |
| Pages | 10 |
| DMCA | Report |
Related /
UIN MALANGUIN MALANG Keempat, variabel non-akademik yang tersedia pada waktu masuk memang mengandung sinyal prediktif yang bermakna untuk penyaringan risiko dini, meskipunKeempat, variabel non-akademik yang tersedia pada waktu masuk memang mengandung sinyal prediktif yang bermakna untuk penyaringan risiko dini, meskipun
STMIKJAYAKARTASTMIKJAYAKARTA Ketersediaan data dapat memudahkan penelitian yang akan dilakukan. Dalam penelitian di berbagai bidang membutuhkan data yang lengkap. Namun kenyataannyaKetersediaan data dapat memudahkan penelitian yang akan dilakukan. Dalam penelitian di berbagai bidang membutuhkan data yang lengkap. Namun kenyataannya
UBUB Kesalahan tersebut juga segera ditangani oleh pihak terkait dengan mengembalikan kelebihan pembayaran ke kas negara. Sehingga, penggunaan Excel tidak hanyaKesalahan tersebut juga segera ditangani oleh pihak terkait dengan mengembalikan kelebihan pembayaran ke kas negara. Sehingga, penggunaan Excel tidak hanya
UNBINUNBIN Algoritma K-Means digunakan sebagai salah satu teknik data mining yang efektif dalam pengelompokan untuk memperoleh data yang akurat. Data yang digunakanAlgoritma K-Means digunakan sebagai salah satu teknik data mining yang efektif dalam pengelompokan untuk memperoleh data yang akurat. Data yang digunakan
UBMUBM Dari hasil klasifikasi, menunjukan 61 pelanggan loyal dan 35 pelanggan churn, kemudian dapat diakumulasikan total pelanggan loyal adalah 636 pelangganDari hasil klasifikasi, menunjukan 61 pelanggan loyal dan 35 pelanggan churn, kemudian dapat diakumulasikan total pelanggan loyal adalah 636 pelanggan
STIEBALIKPAPANSTIEBALIKPAPAN Analisis data menggunakan Python menghasilkan dua aturan asosiasi: jika membeli hijab instan, maka akan membeli hijab segi empat dengan nilai confidenceAnalisis data menggunakan Python menghasilkan dua aturan asosiasi: jika membeli hijab instan, maka akan membeli hijab segi empat dengan nilai confidence
UBMUBM Keunggulan teknik ini terletak pada penggunaan algoritma yang efisien melalui analisis pola frekuensi tinggi atau frequent pattern mining. Algoritma iniKeunggulan teknik ini terletak pada penggunaan algoritma yang efisien melalui analisis pola frekuensi tinggi atau frequent pattern mining. Algoritma ini
UBMUBM Berbeda dengan metode statistika pada umumnya, Gradient boosting ini memberikan informasi yang dapat diinterpretasi, sementara membutuhkan sedikit dataBerbeda dengan metode statistika pada umumnya, Gradient boosting ini memberikan informasi yang dapat diinterpretasi, sementara membutuhkan sedikit data
Useful /
STMIKJAYAKARTASTMIKJAYAKARTA Augmented Reality (AR) menggabungkan objek maya ke dunia nyata secara real time, menjadikan pembelajaran budaya lebih interaktif. Effect House adalah platformAugmented Reality (AR) menggabungkan objek maya ke dunia nyata secara real time, menjadikan pembelajaran budaya lebih interaktif. Effect House adalah platform
STMIKJAYAKARTASTMIKJAYAKARTA Dengan adanya sistem ini memberikan jangkauan lebih luas lagi dalam memberikan data-data kebutuhan tani yang terdapat di koperasi petani Desa Cilempuyang.Dengan adanya sistem ini memberikan jangkauan lebih luas lagi dalam memberikan data-data kebutuhan tani yang terdapat di koperasi petani Desa Cilempuyang.
UBUB Pertama, load balancer berhasil membagi beban sesuai konfigurasi Nginx, dengan persentase pembagian beban yang persisten sebesar 100% pada satu server.Pertama, load balancer berhasil membagi beban sesuai konfigurasi Nginx, dengan persentase pembagian beban yang persisten sebesar 100% pada satu server.
STMIKJAYAKARTASTMIKJAYAKARTA Kriteria yang digunakan dalam sistem ini meliputi nutrisi, harga, ketersediaan produk, ulasan konsumen, kemasan, dan varian rasa. Pengumpulan data dilakukanKriteria yang digunakan dalam sistem ini meliputi nutrisi, harga, ketersediaan produk, ulasan konsumen, kemasan, dan varian rasa. Pengumpulan data dilakukan