IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI PENYAKIT DIABETES MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBOR

• FITROKH NUR IKHROM

---

ABSTRAK

ABSTRAK

Fitrokh Nur Ikhrom (11182622), Implementasi Data Mining Untuk Memprediksi Penyakit Diabetes Menggunakan Algoritma Naïve Bayes Dan KNearest Neighbor

Prediksi untuk penderita diabetes dapat ditemukan dengan mengumpulkan sejumlah besar data tentang penderita diabetes.mencari metode yang tepat dalam data mining untuk melakukan klasifikasi pada prediksi diabetes.mengimplementasikan algoritma Naïve Bayes dan K-Nearest Neighbor serta menilai seberapa baik algoritma Naïve Bayes dan K-Nearest Neighbor ketika menguji klasifikasi terhadap prediksi diabetes dan membandingkan kinerja dari algoritma Naïve Bayes dan K-Nearest Neighbor. hasil evaluasi yang menggunakan 2000 data K-Nearest Neighbor memiliki hasil accuracy sejumlah 99% sedangkan Naïve Bayes memiliki hasil accuracy sejumlah 75% selisih akurasi terhadap dua metode tersebut sejumlah 24%. Dari hasil evaluasi uji coba model mengunakan 30 data yang dibagi menjadi data uji dan data latih K-Nearest Neighbor memiliki hasil accuracy sejumlah 53% dan untuk Naïve Bayes memiliki hasil accuracy sejumlah 66% meiliki selisih accuracy sejumlah 13%. dapat disimpulkan bahwa perbandingan implementasi untuk mengklasifikasikan prediksi diabetes dengan menggunakan 2000 data dan 30 data untuk uji coba model K-Nearest Neighbor dan Naïve Bayes menghasilkan accuracy yang berbeda. Dalam implementasi untuk mengklasifikasikan prediksi diabetes dengan 2000 data algoritma K-Nearest Neighbor dapat menghasilkan tingkat nilai accuracy prediksi diabetes lebih bagus dibandingkan dengan memakai algoritma Naïve Bayes.sedangkan yang menggunakan data untuk uji coba model yaitu 30 data algoritma Naïve Bayes dapat menghasilkan tingkat nilai accuracy prediksi diabetes lebih bagus dibandingkan dengan memakai alogoritma K-Nearest Neighbor .

Kata Kunci: K-Nearest Neighbor, Naïve Bayes, Prediksi, Klasifikasi, Diabetes.

KATA KUNCI

Algoritma Naive Bayes

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] D. Care and S. S. Suppl, “1. Improving care and promoting health in populations: Standards of medical care in diabetes-2020,” Diabetes Care, vol. 43, no. January, pp. S7–S13, 2020, doi: 10.2337/dc20-S001.

[2] I. A. Bingga, “Kaitan Kualitas Tidur dengan Diabetes Melitus Tipe 2,” Med. Hutama, vol. 2, no. 4, pp. 1047–1052, 2021.

[3] B. A. Candra Permana and I. K. Dewi Patwari, “Komparasi Metode Klasifikasi Data Mining Decision Tree dan Naïve Bayes Untuk Prediksi Penyakit Diabetes,” Infotek J. Inform. dan Teknol., vol. 4, no. 1, pp. 63–69, 2021, doi: 10.29408/jit.v4i1.2994.

[4] M. S. Efendi and H. A. Wibawa, “Prediksi Penyakit Diabetes Menggunakan Algoritma ID3 dengan Pemilihan Atribut Terbaik ( Diabetes Prediction using ID3 Algorithm with Best Attribute Selection ) ,” Juita, vol. VI, no. 1, pp. 29–35, 2018.

[5] A. M. Argina, “Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes,” Indones. J. Data Sci., vol. 1, no. 2, pp. 29–33, 2020, doi: 10.33096/ijodas.v1i2.11.

[6] N. Maulidah, R. Supriyadi, D. Y. Utami, and F. N. Hasan, “Prediksi Penyakit Diabetes Melitus Menggunakan Metode Support Vector Machine dan Naive Bayes,” vol. 7, no. 1, pp. 63–68, 2021.

[7] A. Riani, Y. Susianto, and N. Rahman, “Implementasi Data Mining Untuk Memprediksi Penyakit Jantung Mengunakan Metode Naive Bayes,” J. 50 Innov. Inf. Technol. Appl., vol. 1, no. 01, pp. 25–34, 2019, doi: 10.35970/jinita.v1i01.64.

[8] B. Serasi Ginting and M. Simanjuntak, “Pengelompokan Penyakit Pada Pasien Berdasarkan Usia Dengan Metode K-Means Clustering (Studi Kasus?: Puskesmas Bahorok),” Algoritm. J. Ilmu Komput. dan Inform., vol. 6341, no. November, p. 2, 2021.

[9] Y. Mardi, “Data Mining?: Klasifikasi Menggunakan Algoritma C4.5,” Edik Inform., vol. 2, no. 2, pp. 213–219, 2017, doi: 10.22202/ei.2016.v2i2.1465.

[10] S. Hendrian, “Algoritma Klasifikasi Data Mining Untuk Memprediksi Siswa Dalam Memperoleh Bantuan Dana Pendidikan,” Fakt. Exacta, vol. 11, no. 3, pp. 266–274, 2018, doi: 10.30998/faktorexacta.v11i3.2777.

[11] Ardiyansyah, P. A. Rahayuningsih, and R. Maulana, “Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner,” J. Khatulistiwa Inform., vol. VI, no. 1, pp. 20–28, 2018.

[12] A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” vol. IV, no. September, pp. 15–21, 2020.

[13] R. Sistem, “Prediksi Harga Emas dengan Menggunakan Metode Naïve Bayes dalam,” vol. 2, no. 1, pp. 354–360, 2018.

[14] C. Anam and H. B. Santoso, “Perbandingan Kinerja Algoritma C4.5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa,” Energy - J. Ilm. IlmuIlmu Tek., vol. 8, no. 1, pp. 13–19, 2018, [Online]. Available: 51 https://ejournal.upm.ac.id/index.php/energy/article/view/111

[15] Gde Agung Brahmana Suryanegara, Adiwijaya, and Mahendra Dwifebri Purbolaksono, “Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 114–122, 2021, doi: 10.29207/resti.v5i1.2880.

[16] F. Tempola, M. Muhammad, and A. Khairan, “PERBANDINGAN KLASIFIKASI ANTARA KNN DAN NAIVE BAYES PADA PENENTUAN STATUS GUNUNG BERAPI DENGAN K-FOLD CROSS VALIDATION COMPARISON OF CLASSIFICATION BETWEEN KNN AND NAIVE BAYES AT THE DETERMINATION OF THE VOLCANIC STATUS WITH K-FOLD CROSS,” vol. 5, no. 5, pp. 577– 584, 2018, doi: 10.25126/jtiik20185983.

[17] W. Irmayani, “Visualisasi Data Pada Data Mining Menggunakan Metode Klasifikasi,” J. Khatulistiwa Inform., vol. IX, no. I, pp. 68–72, 2021.

[18] S. Hartono, A. Perwitasari, and H. Sujaini, “Komparasi Algoritma Nonparametrik untuk Klasifikasi Citra Wajah Berdasarkan Suku di Indonesia,” J. Edukasi dan Penelit. Inform., vol. 6, no. 3, p. 337, 2020, doi: 10.26418/jp.v6i3.43268.

[19] K. Alpan, “Classification of Diabetes Dataset with Data Mining Techniques by Using WEKA Approach,” 2020.