Evaluasi Model Klasifikasi Algoritma Terbimbing Kuantitatif terhadap Penyakit Diabetes

Selly Rahmawati, Arief Wibowo

Abstract

Diabetes adalah suatu kondisi medis yang ditandai dengan gangguan metabolisme persisten yang mengakibatkan peningkatan kadar glukosa dalam aliran darah. Penyakit ini berdampak besar pada berbagai organ tubuh, termasuk jantung, pembuluh darah, mata, ginjal, dan sistem saraf. Salah satu faktor penting yang berkontribusi terhadap peningkatan kasus diabetes adalah keterlambatan diagnosis kondisi tersebut. Tujuan dari penelitian ini adalah untuk menilai algoritma yang berbeda untuk mendeteksi diabetes. Penelitian ini melibatkan kumpulan data yang tidak seimbang, sehingga memerlukan penerapan teknik oversampling seperti Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan ini. Dua metode klasifikasi, yaitu Support Vector Machine (SVM) dan Logistic Regression (LR), digunakan dalam penyelidikan ini. Temuan penelitian mengungkapkan bahwa ketika teknik K-Fold Cross Validation dikombinasikan dengan metode SMOTE, model Support Vector Machine (SVM) menunjukkan tingkat akurasi, presisi, dan recall yang lebih unggul dibandingkan dengan model Logistic Regression (LR), juga menggunakan teknik SMOTE. Meskipun demikian, jika K-Fold Cross Validation dilakukan tanpa menerapkan teknik SMOTE, hasilnya menunjukkan bahwa Regresi Logistik mengungguli model Support Vector Machine (SVM) dalam hal akurasi, presisi, dan recall.

Keywords

Penyakit diabetes; Support Vector Machine; Logistic Regression; K-Fold Cross Validation.

Article Metrics

Abstract view : 32 times
PDF view : 21 times

Full Text:

PDF

References

C. D. Mait, J. A. Watuseke, P. D. G. Saerang, and S. R. Joshua, Sistem Pendukung Keputusan Menggunakan Fuzzy Logic Tahani Untuk Penentuan Golongan Obat Sesuai Dengan Penyakit Diabetes, J. Media Infotama, vol. 18, no. 2, p. 344, 2022.

C. Mela and A. Barkah, Hubungan Dukungan Keluarga Dengan Kepatuhan Menjalani Diet Pada Pasien Diabetes Melitus Di Di Jorong Koto Kaciak Nagari Batu Balang Kecamatan Harau , J. Pendidik. dan , vol. 4, no. 17161724, pp. 17161724, 2022, [Online]. Available: http://journal.universitaspahlawan.ac.id/index.php/jpdk/article/view/4949%0Ahttp://journal.universitaspahlawan.ac.id/index.php/jpdk/article/download/4949/3403

D. Pademme and T. Banna, Peer Group Support Terhadap Self- Efficacy Pasien DM Tipe II, J. Ilm. Kesehat., vol. 3, no. 3, pp. 210216, 2021, doi: 10.36590/jika.v3i3.202.

V.A.R.Barao, R.C.Coata, J.A.Shibli, M.Bertolini, and J.G.S.Souza, Korelasi Glukosa Urine Dan Berat Jenis Urine Pada Penderita Diabetes Melitus Tipe 2 Di RSUD Budhi Asih, Braz Dent J., vol. 33, no. 1, pp. 112, 2022.

A. M. Argina, Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes, Indones. J. Data Sci., vol. 1, no. 2, pp. 2933, 2020, doi: 10.33096/ijodas.v1i2.11.

H. Hariawan, A. Fathoni, and D. Purnamawati, Hubungan Gaya Hidup (Pola Makan dan Aktivitas Fisik) Dengan Kejadian Diabetes Melitus di Rumah Sakit Umum Provinsi NTB, J. Keperawatan Terpadu (Integrated Nurs. Journal), vol. 1, no. 1, p. 1, 2019, doi: 10.32807/jkt.v1i1.16.

K. Anis, K. P. A. Nugroho, and C. Natawirarindry, Gambaran Pola Makan Pra Lansia terkait Risiko Inflamasi Diabetes Melitus Tipe 2 Pada masa Pandemi Covid-19 di Wilayah Kerja Puskesmas Sidorejo Lor, Kota Salatiga, J. Sains dan Kesehat., vol. 3, no. 6, pp. 807815, 2021, doi: 10.25026/jsk.v3i6.463.

Z. Nurusshofa, A. Efraim, N. Gori, R. A. Claudia, and D. Melitus, Edukasi Deteksi Dini Diabetes Melitus Kader Puskesmas Pondok Kacang Timur Tangerang Selatan Pendahuluan Pengabdian masyarakat , partisipasi aktif dosen dapat dilaksanakan dalam berbagai bentuk aplikasi karya dan bakti salah satu bentuk pengabdian mahasisw, vol. 5636, no. 1, pp. 8690, 2023.

I. M. Karo Karo and H. Hendriyana, Klasifikasi Penderita Diabetes menggunakan Algoritma Machine Learning dan Z-Score, J. Teknol. Terpadu, vol. 8, no. 2, pp. 9499, 2022, doi: 10.54914/jtt.v8i2.564.

G. Abdurrahman, Jurnal Sistem dan Teknologi Informasi Klasifikasi Penyakit Diabetes Melitus Menggunakan Adaboost Classifier, JUSTINDO (Jurnal Sist. dan Teknol. Informasi), vol. 7, no. 1, pp. 5966, 2022, [Online]. Available: http://jurnal.unmuhjember.ac.id/index.php/JUSTINDO

N. Nurdiana and A. Algifari, Studi Komparasi Algoritma Id3 Dan Algoritma Naive Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus, INFOTECHjournal, vol. 6, no. 2, pp. 1823, 2020.

D. Random et al., Komparasi Performansi Algoritma Pengklasifikasi KNN , Bagging, pp. 367372, 2021.

H. Apriyani and K. Kurniati, Perbandingan Metode Nave Bayes Dan Support Vector Machine Dalam Klasifikasi Penyakit Diabetes Melitus, J. Inf. Technol. Ampera, vol. 1, no. 3, pp. 133143, 2020, doi: 10.51519/journalita.volume1.isssue3.year2020.page133-143.

N. M. Putry, Komparasi Algoritma Knn Dan Nave Bayes Untuk Klasifikasi Diagnosis Penyakit Diabetes Mellitus, EVOLUSI J. Sains dan Manaj., vol. 10, no. 1, 2022, doi: 10.31294/evolusi.v10i1.12514.

R. G. Whendasmoro and J. Joseph, Analisis Penerapan Normalisasi Data Dengan Menggunakan Z-Score Pada Kinerja Algoritma K-NN, JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 4, p. 872, 2022, doi: 10.30865/jurikom.v9i4.4526.

S. Mahrani, I. D. Pasi, A. K. Mutmainnah, S. W. P. Samosir, and I. Gunawan, Proses Pembangunan Smart City Di Indonesia Menggunakan Metode Big Data Analytis Dalam Penerapan E-Commerce, Media J. Inform., vol. 13, no. 2, p. 57, 2021, doi: 10.35194/mji.v13i2.1866.

E. Sutoyo and M. A. Fadlurrahman, Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance Rating Menggunakan Artificial Neural Network, J. Edukasi dan Penelit. Inform., vol. 6, no. 3, p. 379, 2020, doi: 10.26418/jp.v6i3.42896.

E. Suryati, A. Ari Aldino, N. Penulis Korespondensi, and E. Suryati Submitted, Analisis Sentimen Transportasi Online Menggunakan Ekstraksi Fitur Model Word2vec Text Embedding Dan Algoritma Support Vector Machine (SVM), vol. 4, no. 1, pp. 96106, 2023, [Online]. Available: https://doi.org/10.33365/jtsi.v4i1.2445

Suhardjono, W. Ganda, and H. Abdul, Prediksi Kellusan Menggunakan Svm Berbasis Pso, Bianglala Inform., vol. 7, no. 2, pp. 97101, 2019.

R. Susetyoko, W. Yuwono, E. Purwantini, and N. Ramadijanti, Perbandingan Metode Random Forest, Regresi Logistik, Nave Bayes, dan Multilayer Perceptron Pada Klasifikasi Uang Kuliah Tunggal (UKT), J. Infomedia Tek. Inform. Multimed. Jar., vol. 7, no. 1, pp. 816, 2022.

D. Normawati and S. A. Prayogi, Implementasi Nave Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter, J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697711, 2021, [Online]. Available: http://ejurnal.tunasbangsa.ac.id/index.php/jsakti/article/view/369

R. R. R. Arisandi, B. Warsito, and A. R. Hakim, Aplikasi Nave Bayes Classifier (Nbc) Pada Klasifikasi Status Gizi Balita Stunting Dengan Pengujian K-Fold Cross Validation, J. Gaussian, vol. 11, no. 1, pp. 130139, 2022, doi: 10.14710/j.gauss.v11i1.33991.

L. Mardiana, D. Kusnandar, and N. Satyahadewi, Analisis Diskriminan Dengan K Fold Cross Validation Untuk Klasifikasi Kualitas Air Di Kota Pontianak, Bimaster Bul. Ilm. Mat. Stat. dan Ter., vol. 11, no. 1, pp. 97102, 2022, [Online]. Available: https://jurnal.untan.ac.id/index.php/jbmstr/article/view/51608

T. Ridwansyah, Implementasi Text Mining Terhadap Analisis Sentimen Masyarakat Dunia Di Twitter Terhadap Kota Medan Menggunakan K-Fold Cross Validation Dan Nave Bayes Classifier, KLIK Kaji. Ilm. Inform. dan Komput., vol. 2, no. 5, pp. 178185, 2022, doi: 10.30865/klik.v2i5.362.

C. B. Sonjaya, A. Fitri, N. Masruriyah, and D. Sulistya, The Performance Comparison of Classification Algorithm in Order to Detecting Heart Disease, vol. 5, no. 2, pp. 166175, 2022.

Refbacks

  • There are currently no refbacks.