Publisher

BSIBSI

Journal Jurnal InfortechJurnal Infortech Abstract

Diabetes melitus merupakan penyakit metabolik yang bersifat kronis dan multifaktorial. Penyakit ini menunjukkan gejala peningkatan kadar gula darah (hiperglikemia) akibat proses metabolisme karbohidrat yang tidak normal, lemak, dan protein yang tidak normal. Hingga saat ini, Melampaui angka 150 juta orang yang tercatat secara global mengidap penyakit ini dan perkembangan penyakit yang terus meningkat dapat menyebabkan komplikasi yang fatal. Faktanya, sebagian besar masyarakat mengabaikan tanda-tanda awal ini: rasa lapar yang berlebihan, rasa lelah yang tidak wajar, dan luka yang lambat sembuh. Penelitian ini dilakukan untuk analisis algoritma Naïve Bayes pada klasifikasi penyakit diabetes untuk mendapatkan hasil optimal dengan akurasi yang ditawarkan dengan cara ini. Dataset diambil dari website Kaggle yang berjumlah 10.000 data dengan jumlah 2 kelas yaitu Diabetes dan Non Diabetes, kelas Diabetes mencakup sebanyak 8.500 data, sementara kelas Non-Diabetes mencakup 91.500 data. Metodologi yang diterapkan yakni Algoritma Naïve Bayes. Evaluasi model membuktikan bahwa Naïve Bayes mampu mencapai skor akurasi sebesar 90,66% yang artinya Algoritma Naïve Bayes merupakan pendekatan yang reliabel dan efektif dalam mengklasifikasikan penyakit diabetes.

Conclusion

Berdasarkan hasil evaluasi terhadap model klasifikasi yang diterapkan menggunakan algoritma Naive Bayes, diperoleh kinerja yang menunjukkan tingkat akurasi yang tinggi dalam mengklasifikasikan penyakit diabetes.Hal ini ditunjukkan oleh nilai akurasi sebesar 90,66%.Saran untuk penelitian selanjutnya dilakukan data balancing atau penerapan metode klasifikasi alternatif untuk meningkatkan deteksi pada kelas minoritas terutama dalam konteks penerapan medis yang menuntut sensitivitas tinggi terhadap kasus penyakit.

Future Research

Berdasarkan latar belakang penelitian yang menyoroti pentingnya deteksi dini diabetes, serta keterbatasan data yang tidak seimbang, beberapa saran penelitian lanjutan dapat diajukan. Pertama, perlu dilakukan eksplorasi terhadap metode data augmentation untuk mengatasi ketidakseimbangan kelas, sehingga model dapat belajar lebih baik dari data minoritas. Kedua, penelitian dapat difokuskan pada pengembangan model ensemble yang menggabungkan Naive Bayes dengan algoritma lain, seperti Support Vector Machine atau Random Forest, untuk meningkatkan akurasi dan robustitas prediksi. Ketiga, penelitian lanjutan dapat menginvestigasi penggunaan fitur-fitur tambahan, seperti data genetik atau gaya hidup, untuk memperkaya informasi yang digunakan dalam klasifikasi, sehingga dapat memberikan prediksi yang lebih personal dan akurat. Dengan menggabungkan ketiga saran ini, diharapkan dapat menghasilkan model prediksi diabetes yang lebih komprehensif, akurat, dan relevan secara klinis, serta berkontribusi pada upaya pencegahan dan penanganan penyakit diabetes yang lebih efektif.

References

1. Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining... journal.unimma.ac.id/komtika/en/article/view/8054Implementasi Algoritma Convolutional Neural Network CNN Untuk Klasifikasi Daun Dengan Metode Data Mining journal unimma ac komtika en article view 8054
2. Klasifikasi Penyakit Kanker Payudara Menggunakan Perbandingan Algoritma Machine Learning | Jurnal Ilmu... doi.org/10.35960/ikomti.v3i1.766Klasifikasi Penyakit Kanker Payudara Menggunakan Perbandingan Algoritma Machine Learning Jurnal Ilmu doi 10 35960 ikomti v3i1 766

Metadata

File size	337.81 KB
Pages	6
DMCA	Report