IMPLEMENTASI DATA MINING UNTUK PREDIKSI PENYAKIT DIABETES DENGAN KLASIFIKASI

• MELY JUNIARTI

---

ABSTRAK

ABSTRAK

 

 

 

 

Mely Juniarti (11200172), Implementasi Data Mining Untuk Prediksi Penyakit Diabetes Dengan Klasifikasi

 

Kesehatan merupakan hal yang paling penting atau paling utama yang harus manusia jaga karena kesehatan merupakan segala sesuatu yang menunjang kegiatan manusia. Pada masa saat ini hampir disetiap aspek kehidupan kita selalu berdampingan dengan teknologi termasuk dalam hal kesehatan. Teknologi informasi dan komunikasi sudah banyak digunakan oleh tenaga medis baik pakar, dokter dan lainnya untuk membantu menganalisa suatu penyakit dalam waktu cepat dan akurat. Penyakit diabetes merupakan salah satu penyakit yang sudah melakukan penerapan teknologi informasi dalam bidang kesehatan untuk memprediksi penyakit diabetes. Pada penelitian ini akan melakukan prediksi menggunakan data publik yang disediakan oleh Pima Indians Diabetes Database Dataset Kaggle dengan menggunakan model atau algoritma klasifikasi Logistic Regression dan sebagai pembandingnya algoritma klasifikasi Gradient Boosting Classifier untuk melihat akurasi mana yang lebih tinggi atau lebih baik dalam mendeteksi penyakit diabetes. Prose prediksi penyakit diabetes ini menggunakan data mining dalam implementasi untuk memprediksinya, serta memprediksi untuk masa yang akan datang. Pada penelitian ini algoritma klasifikasi Logistic Regression memiliki nilai akurasi yang lebih tinggi sebesar 82,46 % dimana nilai akurasi algoritma klasifikasi Gradient boosting classifier 81,16%.

 

Kata Kunci : Logistic Regression, Gradient Boosting Classifier, Diabetes

KATA KUNCI

Data Mining

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

 

 

[1]      M. I. Gunawan, D. Sugiarto, and I. Mardianto, “Peningkatan Kinerja Akurasi Prediksi Penyakit Diabetes Mellitus Menggunakan Metode Grid Seacrh pada Algoritma Logistic Regression,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 6, no. 3, pp. 280–284, 2020.

 

[2]      Kementerian Kesehatan Republik Indonesia, “Kementerian Kesehatan Republik Indonesia,” Kementerian Kesehatan RI. p. 1, 2019, [Online]. Available: https://www.kemkes.go.id/article/view/19093000001/penyakit-jantung-penyebab-kematian-terbanyak-ke-2-di-indonesia.html.

 

[3]      I. S. Bakti and Ivandari, “Model Prediksi Penyakit Diabetes Menggunakan Bayesian Classification dan Information Gain untuk Seleksi Fitur dan Adaptive Boosting untuk Pembobotan Data,” IC-Tech, vol. XI, no. 1, pp. 1–9, 2019.

 

[4]      D. Jollyta, W. Ramdhan, and M. Zarlis, Konsep Data Mining Dan Penerapan. Deepublish, 2020.

 

[5]      S. Maesaroh and Kusrini, “Sistem Prediksi Produktifitas Pertanian Padi Menggunakan Data Mining,” J. ENERGY, vol. 7, no. 2, pp. 25–30, 2017, [Online]. Available: eprints.dinus.ac.id/16925/1/jurnal_16115.pdf.

 

[6]      Tjahjanto, 360 Derajat Manajemen Data. El-Marzaki, 2021.

 

[7]      A. Wanto, Data Mining?: Algoritma dan Implementasi. Yayasan Kita Menulis, 2020.

 

[8]      A. M. Siregar and A. Puspabhuana, DATA MINING: Pengolahan Data Menjadi Informasi dengan RapidMiner. CV Kekata Group, 2017.

 

[9]      M. Nawawi and R. Marliansyah, “Klasifikasi Tingkat Popularitas Siswa Berdasarkan Aktifitas Komunikasi Siswa Menggunakan Smartphone dengan Teknik Logistic Regression,” Annu. Res. Semin. …, vol. 4, no. 1, pp. 978–979, 2019, [Online]. Available: http://seminar.ilkom.unsri.ac.id/index.php/ars/article/view/2082.

 

[10]    A. Bimantara and T. A. Dina, “Klasifikasi Web Berbahaya Menggunakan Metode Logistic Regression,” Annu. Res. Semin., vol. 4, no. 1, pp. 173–177, 2019.

 

[11]    I. Unggara, A. Musdholifah, and A. K. Sari, “Optimization of ARIMA Forecasting Model using Firefly Algorithm,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 13, no. 2, p. 127, 2019, doi: 10.22146/ijccs.37666.

 

[12]    J. Hoare, “Gradient Boosting Explained - The Coolest Kid on The Machine Learning Block | Displayr.” 2017, [Online]. Available: https://www.displayr.com/gradient-boosting-the-coolest-kid-on-the-machine-learning-block/.

 

[13]    E. A. Laksana and F. Sulianta, “Analisis dan studi komparatif algoritma klasifikasi genre musik,” Semin. Nas. Teknol. Inf. dan Multimed. 2017, vol. 2, no. 1, pp. 67–72, 2017.

 

[14]    J. H. Friedman, “Greedy function approximation: A gradient boosting machine,” Ann. Stat., vol. 29, no. 5, pp. 1189–1232, 2001, doi: 10.1214/aos/1013203451.

 

[15]    D. Nelson, “Gradient Boosting Classifiers in Python with Scikit-Learn,” Stackabuse.com. 2020, [Online]. Available: https://stackabuse.com/gradient-boosting-classifiers-in-python-with-scikit-learn/.

 

[16]    A. Bisri and R. Rachmatika, “Integrasi Gradient Boosted Trees dengan SMOTE dan Bagging untuk Deteksi Kelulusan Mahasiswa,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 8, no. 4, p. 309, 2019, doi: 10.22146/jnteti.v8i4.529.

 

[17]    S. H. Aminah, “Prediction of Cervical Cancer Diagnosis Based On Demographic Information, Habits, and Medical Records Using Support Vector Machine Algorithm,” 2018.

 

[18]    S. Wasistiono, E. Indrayani, and A. Pitono, Teori dan Panduan Praktis Data Science dan Big Data, 1st ed., no. March. Bogor: Lembaga Penelitian dan Pengabdian pada Masyarakat Universitas Pakuan, 2020.

 

[19]    F. Handayanna, Rinawati, E. Arisawati, and L. S. Dewi, “Prediksi Penyakit Diabetes Menggunakan Naive Bayes Dengan Optimasi Parameter Menggunakan Algoritma Genetika,” KNiST (Konferensi Nas. Ilmu Sos. Teknol., pp. 71–76, 2017.

 

[20]    R. A. Siallagan and Fitriyani, “Prediksi Penyakit Diabetes Mellitus,” J. Responsif, vol. 3, no. 1, pp. 45–46, 2021.

 

[21]    M. S. Mustafa and I. W. Simpen, “Implementasi Algoritma K-Nearest Neighbor ( KNN ) Untuk Memprediksi Pasien Terkena Penyakit Diabetes Pada Puskesmas Manyampa Kabupaten Bulukumba,” Semin. Ilm. Sist. Inf. Dan Teknol. Inf., vol. VIII, no. 1, pp. 1–10, 2019, [Online]. Available: https://ejurnal.dipanegara.ac.id/index.php/sisiti/article/view/1 -10/68.

 

[22]    D. A. P and L. Isyriyah, “Rancang Model Expert System pada Diagnosa Penyakit Diabetes Melitus dengan Metode Forward Chaining,” J. Teknol. dan Manaj. Inform., vol. 7, no. 1, pp. 51–61, 2021, doi: 10.26905/jtmi.v7i1.5930.

 

[23]    R. Pahlevi, K. Q. Fredlina, and N. W. Utami, “Penerapan Algoritma ID3 Dan SVM Pada Klasifikasi Penyakit Diabetes Melitus Tipe 2,” Pros. Snast, vol. 2, pp. 64–75, 2021, [Online]. Available: https://ejournal.akprind.ac.id/index.php/prosidingsnast/article/view/3340.

 

[24]    Syafnidawaty, “Apa Itu Populasi Dan Sampel Dalam Penelitian - Universitas Raharja.” p. 1, 2020, [Online]. Available: https://raharja.ac.id/2020/11/04/apa-itu-populasi-dan-sampel-dalam-penelitian/.

 

[25]    E. W. Winarni, Teori dan Praktik Penelitian Kuantitatif, Kualitatif, PTK, R \& D, 1st ed. Jakarta: Bumi Aksara, 2021.

 

[26]    M. B. Hanif and Khoirudin, “Sistem Aplikasi Prediksi Penyakit Diabetes Menggunakan Fiture,” Pengemb. Rekayasa dan Teknol., vol. 16, no. 2, pp. 199–205, 2020.