PENERAPAN ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI PENYAKIT DIABETES MELITUS MENGGUNAKAN APLIKASI RAPIDMINER

• Firdaus Furqon

---

ABSTRAK

ABSTRAK

Firdaus Furqon (12220242) PENERAPAN ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI PENYAKIT DIABETES MELITUS MENGGUNAKAN APLIKASI RAPIDMINER.

Diabetes melitus merupakan salah satu penyakit kronis yang prevalensinya terus meningkat di seluruh dunia. Di Indonesia sendiri penyakit diabetes melitus berada di urutan 3 (tiga) besar penyakit penyebab kematian tertinggi, sedangkan di dunia Indonesia berada di urutan 5 (lima) besar. Deteksi dini dan prediksi penyakit ini sangat penting untuk mengurangi risiko komplikasi dan meningkatkan kualitas hidup penderita. Penelitian ini bertujuan untuk memprediksi penyakit diabetes melitus dengan menggunakan metode Naive Bayes. Dataset yang digunakan adalah dataset publik, dan diolah menggunakan metode algoritma Naive Bayes yang mudah dan sederhana ketika diimplementasikan dan hasil penelitian yang memiliki tingkat akurasi mencapai 73.48%.

KATA KUNCI

Naive Bayes,RapidMiner,Diabetes Melitus

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] International Diabetes Federation, "International Diabetes Federation: Diabetes Atlas 10th Edition," USA, 2021.

[2] "Peraturan Menteri Kesehatan Nomor 30 Tahun 2013," https://peraturan.bpk.go.id/Details/172111/permenkes-no-30-tahun-2013.

[3] A. Bulu, T. D. Wahyuni, and A. Sutriningsih, "Hubungan Antara Tingkat Kepatuhan Minum Obat Dengan Kadar Gula Darah Pada Pasien Diabetes Melitus Tipe II," Nursing News: Jurnal Ilimiah Keperawatan, 2019.

[4] J. Neumiller, “Managing Diabetes and Its Complications,” American Diabetes Association, 2020.

[5] World Health Organization, "Risk Factors for Diabetes," 2021. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/diabetes.

[6] Kementerian Kesehatan RI., “Infodatin tetap produktif, cegah, dan atasi Diabetes Melitus 2020,” Pusat Data dan Informasi Kementerian Kesehatan RI. pp. 1–10, 2020.

[7] Kementerian Pendidikan dan Kebudayaan Republik Indonesia. (2021). Modul Pembelajaran Data Mining. Retrieved from https://modul.kemdikbud.go.id. Modul ini berisi materi tentang berbagai teknik dan metode data mining yang digunakan dalam konteks pendidikan di Indonesia.

[8] L. Rokach and O. Maimon, “Decision Trees,” in *Data Mining and Knowledge Discovery Handbook*, 2019, pp. 165-192.

[9] W. Budiawan and D. Suhartono, “Implementasi Algoritma K-Nearest Neighbor untuk Klasifikasi Data pada Sistem Rekomendasi,” *Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK)*, vol. 7, no. 2, pp. 123-132, 2020.

[10] "Serba-serbi Machine Learning Model: Random Forest," [Online]. Available: https://dqlab.id/serba-serbi-machine-learning-model-random-forest.

[11] R. Hayami, Soni, and I. Gunawan, “Klasifikasi Jamur Menggunakan Algoritma Naïve Bayes,” *J. CoSciTech (Computer Sci. Inf. Technol.), vol. 3, no. 1, pp. 28–33, 2022.

[12] D. Pascalina, R. Widhiastono, and C. Juliane, “Pengukuran Kesiapan Transformasi Digital Smart City Menggunakan Aplikasi RapidMiner,” *Technomedia J.*, vol. 7, no. 3, pp. 293–302, 2022.

[13] "Ini Dia 7 Tahapan Data Mining yang Harus Anda Tahu," [Online]. Available: https://dibimbing.id/blog/detail/ini-dia-7-tahapan-data-mining-yang-harusanda-tau.