YALAMQAYALAMQA
Al-Aqlu: Jurnal Matematika, Teknik dan SainsAl-Aqlu: Jurnal Matematika, Teknik dan SainsDiabetes 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.
| File size | 588.71 KB |
| Pages | 8 |
| DMCA | Report |
Related /
BSIBSI Klasifikator Random Forest digunakan untuk menangani data koordinat landmark berdimensi tinggi. Hasil eksperimen menunjukkan akurasi klasifikasi sebesarKlasifikator Random Forest digunakan untuk menangani data koordinat landmark berdimensi tinggi. Hasil eksperimen menunjukkan akurasi klasifikasi sebesar
UIBUIB Hasil penelitian menunjukkan bahwa sistem yang dibangun mampu menyediakan fitur utama seperti login pengguna, manajemen data buku dan anggota, peminjamanHasil penelitian menunjukkan bahwa sistem yang dibangun mampu menyediakan fitur utama seperti login pengguna, manajemen data buku dan anggota, peminjaman
BSIBSI Temuan ini menunjukkan bahwa implementasi E-SCM dapat meningkatkan akurasi inventaris dan efisiensi pengendalian pasokan dalam distribusi bahan bangunan.Temuan ini menunjukkan bahwa implementasi E-SCM dapat meningkatkan akurasi inventaris dan efisiensi pengendalian pasokan dalam distribusi bahan bangunan.
BSIBSI Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan sistem keamanan rumah berbasis biometrik yang mengintegrasikan Machine Learning (ML)Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan sistem keamanan rumah berbasis biometrik yang mengintegrasikan Machine Learning (ML)
BSIBSI Tujuan dibuatnya Aplikasi SIG ini diharapkan mampu memetakan batas wilayah secara akurat, menandai titik lokasi fasilitas umum, serta menyediakan informasiTujuan dibuatnya Aplikasi SIG ini diharapkan mampu memetakan batas wilayah secara akurat, menandai titik lokasi fasilitas umum, serta menyediakan informasi
BSIBSI Grafik yang jelas dan mudah dipahami menunjukkan hasil monitoring. Solusi yang efisien, fleksibel, dan terjangkau yang ditawarkan oleh integrasi ini cocokGrafik yang jelas dan mudah dipahami menunjukkan hasil monitoring. Solusi yang efisien, fleksibel, dan terjangkau yang ditawarkan oleh integrasi ini cocok
BSIBSI Penelitian ini menerapkan metode pengembangan perangkat lunak Waterfall, dengan tahapan observasi, wawancara, studi pustaka, perancangan sistem, implementasi,Penelitian ini menerapkan metode pengembangan perangkat lunak Waterfall, dengan tahapan observasi, wawancara, studi pustaka, perancangan sistem, implementasi,
BSIBSI Data dari kedua sensor diolah menggunakan metode logika fuzzy mamdani untuk menentukan durasi penyiraman secara otomatis. Pengguna juga dapat melakukanData dari kedua sensor diolah menggunakan metode logika fuzzy mamdani untuk menentukan durasi penyiraman secara otomatis. Pengguna juga dapat melakukan
Useful /
BSIBSI Pengembangan sistem menggunakan metodologi Extreme Programming (XP) yang menekankan iterasi pendek, pengujian otomatis, desain sederhana, serta kolaborasiPengembangan sistem menggunakan metodologi Extreme Programming (XP) yang menekankan iterasi pendek, pengujian otomatis, desain sederhana, serta kolaborasi
BSIBSI Model secara konsisten mengidentifikasi dew point dan wind gust sebagai fitur dominan, yang mencerminkan pentingnya kombinasi tekanan termal dan variabilitasModel secara konsisten mengidentifikasi dew point dan wind gust sebagai fitur dominan, yang mencerminkan pentingnya kombinasi tekanan termal dan variabilitas
BSIBSI Hasil implementasi menunjukkan peningkatan signifikan pada efisiensi proses administrasi dan keterjangkauan layanan, ditandai dengan peningkatan jumlahHasil implementasi menunjukkan peningkatan signifikan pada efisiensi proses administrasi dan keterjangkauan layanan, ditandai dengan peningkatan jumlah
USUUSU Sebagai bentuk mitigasi bencana non-struktural, pembelajaran berbasis simulasi memungkinkan anak-anak memperoleh pengetahuan kesiapsiagaan melalui pengalamanSebagai bentuk mitigasi bencana non-struktural, pembelajaran berbasis simulasi memungkinkan anak-anak memperoleh pengetahuan kesiapsiagaan melalui pengalaman