Publisher

UIGMUIGM

Journal Jurnal Ilmiah Informatika GlobalJurnal Ilmiah Informatika Global Abstract

Diabetes melitus merupakan gangguan metabolik yang terjadi ketika pankreas tidak mampu memproduksi insulin dalam jumlah yang cukup atau ketika tubuh tidak dapat menggunakan insulin secara efektif, sehingga menyebabkan kadar gula darah tidak terkontrol dan berpotensi menimbulkan komplikasi jangka panjang. Penelitian ini menerapkan pendekatan data mining untuk mengklasifikasikan tingkat risiko diabetes menggunakan dua algoritma supervised learning, yaitu Naive Bayes dan k-Nearest Neighbor (k-NN), dengan tujuan membandingkan kinerja prediksi serta mengidentifikasi pola dari dataset. Proses penelitian mengikuti tahapan Knowledge Discovery in Database (KDD), meliputi seleksi data, pra-pemrosesan, transformasi, pemodelan, dan evaluasi. Seluruh eksperimen dilakukan menggunakan RapidMiner dengan skema pembagian data 80:20 melalui stratified split dan random seed tetap untuk menjaga konsistensi hasil. Evaluasi model menggunakan confusion matrix, akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa k-NN memperoleh akurasi sebesar 81,72%, lebih tinggi dibandingkan Naive Bayes sebesar 75,42%. Dari sisi precision dan recall, Naive Bayes menghasilkan precision 86,69%, recall 93,12%, dan F1-score 89,79%, sedangkan k-NN memperoleh precision 90,68%, recall 80,33%, dan F1-score 85,19%. Meskipun k-NN unggul dalam akurasi dan precision, Naive Bayes menunjukkan keseimbangan performa yang lebih baik melalui nilai recall dan F1-score yang lebih tinggi, khususnya dalam mendeteksi kelas positif. Temuan ini menegaskan bahwa pemilihan model tidak hanya mempertimbangkan akurasi keseluruhan, tetapi juga performa pada tiap kelas, terutama pada dataset kesehatan yang cenderung tidak seimbang.

Conclusion

Setelah menerapkan percobaan dengan alur yang sama seperti pra-pemrosesan, split data 80.20, stratified sampling, dapat disimpulkan bahwa kedua model punya karakter yang berbeda.Naive Bayes memberikan akurasi 75,42% dan performanya seimbang dibanding k-NN karena masih mampu mendeteksi kelas Diabetes dengan recall yang lebih baik, meskipun konsekuensinya prediksi Diabetes masih cukup banyak yang salah dimana false positive cukup tinggi.Di sisi lain, k-NN menghasilkan akurasi yang lebih tinggi yaitu 81,72%, tetapi model ini cenderung sangat mengikuti kelas mayoritas (No Diabetes) sehingga prediksi untuk kelas minoritas, terutama Pre Diabetes, masih sangat lemah dan banyak kasus Diabetes/Pre Diabetes yang terlewat karena diprediksi sebagai No Diabetes.Dengan dilakukan penelitian ini diharapkan dapat memberikan informasi bermanfaat mengenai penyakit diabetes melitus dan algoritma yang lebih unggul diantara algoritma KNN dan Naïve Bayes sehingga dapat menjadi acuan referensi serta pengembangan ilmu pengetahuan untuk penelitian selanjutnya.

Future Research

Penelitian lanjutan dapat fokus pada pengembangan metode ensembel seperti Random Forest atau XGBoost untuk meningkatkan deteksi kelas minoritas (Diabetes dan Pre Diabetes) dalam dataset yang tidak seimbang. Selain itu, integrasi faktor gaya hidup yang lebih komprehensif, seperti pola tidur, stres, atau interaksi sosial, dapat memberikan wawasan baru tentang hubungan antara kebiasaan sehari-hari dan risiko diabetes. Peneliti juga bisa mengeksplorasi pendekatan hybrid antara algoritma berbasis jarak (seperti k-NN) dan probabilistik (seperti Naive Bayes) untuk menciptakan model yang lebih fleksibel dalam menangani data non-linear. Penggunaan teknik oversampling atau undersampling untuk mengatasi ketidakseimbangan kelas juga perlu diuji, terutama untuk meningkatkan recall pada kelas Diabetes. Terakhir, pengembangan sistem pendukung keputusan berbasis AI yang dapat digunakan oleh tenaga kesehatan untuk mengidentifikasi risiko diabetes lebih awal berdasarkan data pasien bisa menjadi arah penelitian yang relevan.

References

1. One moment, please.... one moment please wait request verified doi.org/10.35957/jatisi.v8i4One moment please one moment please wait request verified doi 10 35957 jatisi v8i4
2. Implementasi Algoritma Naïve Bayes Classifier (NBC) untuk Klasifikasi Penyakit Ginjal Kronik... ejurnal.stmik-budidarma.ac.id/index.php/JSON/article/view/4781Implementasi Algoritma NayEAve Bayes Classifier NBC untuk Klasifikasi Penyakit Ginjal Kronik ejurnal stmik budidarma ac index php JSON article view 4781
3. Penerapan Metode K-Means Dan C4.5 Untuk Prediksi Penderita Diabetes | PETIR. penerapan metode means c4... doi.org/10.33322/petir.v13i1.925Penerapan Metode K Means Dan C4 5 Untuk Prediksi Penderita Diabetes PETIR penerapan metode means c4 doi 10 33322 petir v13i1 925

Metadata

File size	1.1 MB
Pages	9
DMCA	Report