Optimasi Algoritma Klasifikasi Biner dengan Tuning Parameter pada Penyakit Diabetes Mellitus
Article Sidebar
Main Article Content
Abstract
Diabetes Melitus atau yang biasanya disebut dengan penyakit kencing manis merupakan penyakit yang terjadi akibat peningkatan kadar glukosa di dalam darah terlalu tinggi. Data World Health Organization (WHO), menunjukkan Indonesia menjadi negara keempat di dunia dengan angka penderita diabetes terbanyak dan mengalami peningkatan hingga 14 juta orang. Peningkatan kasus penyakit Diabetes melitus ini memerlukan suatu upaya penanggulangan dan pencegahan dini terhadap penyakit Diabetes melitus. Dalam penelitian ini akan dilakukan optimasi algoritma klasifikasi biner pada penyakit diabetes melitus mulai dari observasi, visualisasi, statistic deskriptif dataset, pre-processing dataset, penentuan baseline model, tuning parameter model dan finalisasi model. Penentuan baseline model diperoleh dengan mencari nilai akurasi tertinggi dari 3 algoritma linear (Logistic Regression, Linear Discriminant Analysis, K-nearest neighbor) atau 3 algoritma non- linear (Decision Tree, Naïve Bayes, Support Vector Machine) berdasarkan tuning parameternya dan yang menghasilkan akurasi optimal adalah Algoritma Support Vector Machine, sehingga dijadikan sebagai final model dengan parameter C sebesar 47 dengan kernel rbf dihasilkan rerata akurasi sebesar 77.3% pada data training dan 74.5% pada data testing, sementara berdasarkan confusion matrix dihasilkan precision 78%, recall 83%, f1-Score 81%, error rate 25%.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Eksplora Informatika bersifat open access, yaitu dapat diakses secara umum tanpa dikenakan biaya. Penulis yang menerbitkan artikelnya di Jurnal Eksplora Informatika setuju dengan ketentuan berikut:
- Penulis memegang hak cipta dan memberikan hak publikasi pertama kepada Jurnal Eksplora Informatika menggunakan lisensi Creative Commons Attribution-ShareAlike 4.0.
- Penulis diizinkan untuk mengarsipkan/menggunggah/meyimpan artikel mereka, misalnya dalam repositori institusional atau situs web/blog penulis, namun diharapkan agar memberikan rincian bibliografi yang menghargai publikasi di jurnal ini.
- Jurnal Eksplora Informatika berhak untuk menyediakan artikel dalam berbagai bentuk dan media, sehingga artikel dapat digunakan untuk teknologi terbaru bahkan setelah dipublikasikan.
- Jurnal Eksplora Informatika berhak untuk menegakkan hak-hak atas nama penulis pada artikel terhadap pihak ketiga. Misalnya dalam kasus plagiarisme atau pelanggaran hak cipta.
References
Fatmawati, “Perbandingan Algoritma Klasifikasi Data Mining Model C4.5 Dan Naive Bayes Untuk Prediksi Penyakit Diabetes,†J. Techno Nusa Mandiri, vol. XIII, no. 1, p. 50, 2016. [link]
J. J. Pangaribuan, “Mendiagnosa Penyakit Diabetes Mellitus Dengan Menggunakan Metode Extreme Learning Machine,†2016. [link]
I. L. Qurnia, E. Prasetyo, and R. F. Zainal, “Classification Of Diabetes Disease Using Nive Bayes Case Study : Siti Khadijah Hospital,†2016. [link]
A. W. W. Wayan Firdaus Mahmudy, “Klasifikasi Artikel Berita Secara Otomatis Menggunakan Metode Naive Bayes Classifier Yang Dimodifikasi,†TEKNO, vol. 21 Maret, 2014. [link]
S. Natalius, “Makalah II 2092 Probabilitas dan Statistik-Sem. I Tahun,†2010.
F. Maspiyanti and J. Gatc, “Diagnosa Penyakit Jantung Pada Ponsel Menggunakan Pohon Keputusan,†J. Teknol. Terpadu, vol. 1, no. 1, 2015. [link]
M. Lestari, “Penerapan Algoritma Klasifikasi Nearest Neighbor (K-NN) Untuk Mendeteksi Penyakit Jantung,†2014. [link]
B. G. Choi, S. W. Rha, S. W. Kim, J. H. Kang, J. Y. Park, and Y. K. Noh, “Machine learning for the prediction of new-onset diabetes mellitus during 5-year follow-up in non-diabetic patients with cardiovascular risks,†Yonsei Med. J., vol. 60, no. 2, pp. 191–199, Feb. 2019. [link]
P. A. Amit kumar Dewangan, “Classification of Diabetes Mellitus Using Machine Learning Techniques,†Int. J. Eng. Appl. Sci., vol. 2, no. 5, pp. 145–148, 2015. [link]
K. Akyol and B. Şen, “Diabetes Mellitus Data Classification by Cascading of Feature Selection Methods and Ensemble Learning Algorithms,†Int. J. Mod. Educ. Comput. Sci., vol. 10, no. 6, pp. 10–16, Jun. 2018. [link]
N. Nai-Arun and R. Moungmai, “Comparison of Classifiers for the Risk of Diabetes Prediction,†in Procedia Computer Science, 2015, vol. 69, pp. 132–142. [link]
R. P. R. S. Suryakirani, “Comparative Study and Analysis of Classification Algorithms In Data Mining Using Diabetic Dataset,†IJSRST, vol. 4, no. 2, pp. 299–304, 2018. [link]
P. Chen and C. Pan, “Diabetes classification model based on boosting algorithms,†BMC Bioinformatics, vol. 19, no. 1, Mar. 2018. [link]
