YALAMQAYALAMQA

Al-Aqlu: Jurnal Matematika, Teknik dan SainsAl-Aqlu: Jurnal Matematika, Teknik dan Sains

Diabetes merupakan suatu penyakit dengan jumlah penderita yang terus bertambah dan menjadi penyebab kematian dari 1.5 juta manusia di dunia pada tahun 2019. Diperlukan suatu penanganan penyakit diabetes, salah satunya dengan melakukan prediksi penderita diabetes. Metode K-Nearest Neighbor (KNN), Random Forest, dan Decision Tree merupakan beberapa metode yang dapat digunakan untuk melakukan prediksi klasifikasi diabetes. Penelitian ini bertujuan membandingkan kinerja metode KNN, Random Forest, dan Decision Tree berdasarkan akurasi dan waktu komputasinya. Data yang digunakan pada penelitian ini yaitu Pregnancies, Glucose, Insulin, Body Mass Index (BMI), dan Age sebagai peubah bebas serta Outcome sebagai peubah terikat. Hasil penelitian data yang belum dinormalisasi dengan Min-Max menunjukkan metode KNN memiliki waktu komputasi yang lebih cepat dibandingkan dua metode lainnya, sedangkan berdasarkan nilai akurasinya metode Decision Tree memiliki nilai yang lebih tinggi dibandingkan dua metode lainnya. Selanjutnya pada data yang telah dinormalisasi Min-Max menunjukkan penurunan nilai akurasi pada metode Decision Tree dan Random Forest, sedangkan nilai akurasi metode KNN mengalami peningkatan. Oleh karena itu, perlakuan normalisasi Min-Max lebih baik digunakan untuk metode KNN.

Metode K-Nearest Neighbor (KNN), Random Forest, dan Decision Tree dapat digunakan untuk memprediksi diabetes.Data peubah bebas yang digunakan pada penelitian ini memiliki skala ukuran yang berbeda, sehingga pada penelitian ini dilakukan normalisasi Min-Max.Hasil penelitian pada data yang belum dinormalisasi dengan Min-Max menunjukkan bahwa metode Decision Tree memilki nilai akurasi yang lebih tinggi dibandingkan K-Nearest Neighbor (KNN) dan Random Forest.Sedangkan berdasarkan waktu komputasi, metode K-Nearest Neighbor (KNN) memiliki waktu komputasi yang lebih kecil dibandingkan Decision Tree dan Random Forest.

Penelitian lanjutan dapat mengkaji pengaruh penambahan variabel independen seperti jenis kelamin, kebiasaan konsumsi alkohol, atau riwayat keluarga terhadap akurasi prediksi diabetes. Selain itu, penelitian dapat membandingkan metode machine learning lainnya seperti Support Vector Machine (SVM) atau Neural Network untuk melihat kinerja yang lebih optimal. Studi juga dapat mengembangkan teknik normalisasi alternatif atau hybrid untuk meningkatkan konsistensi hasil prediksi dalam skenario data yang tidak seimbang.

Read online
File size588.71 KB
Pages8
DMCAReport

Related /

ads-block-test