Implementasi Metode Adaboost untuk Mengoptimasi Klasifikasi Penyakit Diabetes dengan Algoritma Naive Bayes

Lidia Pebrianti, Fitrahuda Aulia, Halimatun Nisa, Kana Saputra S

Abstract


Diabetes melitus adalah penyakit metabolik yang disebabkan oleh kegagalan tubuh menggunakan insulin atau tidak adanya insulin kimia, karena itu kadar gula dalam darah tidak dapat terkendali. Menurut International Diabetes Federation (IDF), saat ini dinilai untuk jumlah penderita diabetes di Indonesia bisa mencapai 28,57 juta pada tahun 2045. Jumlah ini 47% lebih besar daripada 19,47 juta dari tahun 2021. Penderita diabetes diketahui melonjak 167% dibandingkan dengan penderita diabetes pada tahun 2011 yang mencapai 7,29 juta. Secara umum, IDF mengukur jumlah penderita diabetes di dunia dapat mencapai 783,7 juta orang pada tahun 2045. Jumlah ini meningkat 46% dibandingkan dengan tahun 2021 yang mencapai 536,6 juta. Adaboost adalah Algoritma Boosting yang paling terkenal, dapat digunakan dengan tujuan untuk meningkatkan keakuratan kinerja pembelajaran Machine Learning Naïve Bayes, sehingga dapat mengurangi noise dalam kumpulan data yang berukuran besar dengan beberapa kelas atau multi kelas. .Dengan menggunakan split data 60/40 Algoritma Naïve Bayes menghasilkan akurasi sebesar 0.7608. Sedangkan untuk hasil Naïve Bayes yang di boosting dengan menggunakan algoritma  Adaboost adalah sebesar 0,7694.

 


Keywords


adaptive boosting, naïve bayes, diabetes, akurasi

References


Abdurrahman, G. (2022). Klasifikasi Penyakit Diabetes Melitus Menggunakan Adaboost Classifier. Jurnal Sistem dan Teknologi Informasi, 7(1), pp.59 - 65.

Argina, A.M. (2020). Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes. Indonesian Journal of Data and Science, 1(2), pp.29–33.

Astuti, Y. et al. (2022). Naïve Bayes untuk Prediksi Tingkat Pemahaman Kuliah Online Terhadap Mata Kuliah Algoritma Struktur Data. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 8(1), pp.28–32.

Byna, A. & Basit, M. (2020). Penerapan Metode Adaboost Untuk Mengoptimasi Prediksi Penyakit Stroke Dengan Algoritma Naïve Bayes. Jurnal Sisfokom (Sistem Informasi dan Komputer), 9(3), pp.407–411. https://doi.org/10.32736/sisfokom.v9i3.1023.

Defiyanti, S. (2015). Integrasi Metode Klasifikasi Dan Clustering dalam Data Mining. KNIF 9 (Konferensi Nasional Informatika), pp.39–44.

Gultom, S.I. (2020). Implementasi Data Mining Menentukan Pola Hidup Sehat Bagi Pengguna KB Menggunakan Algoritma Adaboost (Studi Kasus :Dinas Serdang Bedagai). Jurnal Infromasi dan Teknologi Ilmiah (INTI), 7(3), pp.298-304.

Indra Borman, R. (2020). Penerapan Data Maining Dalam Klasifikasi Data Anggota Kopdit Sejahtera Bandarlampung Dengan Algoritma Naïve Bayes. Jurnal Ilmiah Ilmu Komputer, 9(1), pp.25-34.

Lestari, E.T. a& Adhiva, J. (2022). Implementasi Algoritma Naive Bayes Classifier dan K-Nearest Neighbor Untuk Klasifiasi Status Gizi Obesitas Anak Disabilitas. SENTIMAS: Seminar Masional Penelitian dan Penabdian Masyarakat, pp.1–11.

Marito Putry, N. & Nurina Sari, B. (2022). Komparasi Algoritma Knn Dan Naïve Bayes Untuk Klasifikasi Diagnosis Penyakit Diabetes Melitus. Jurnal Sains dan Manajemen, 10(1), pp.45-57.

Maulidah, N. et al. (2021). Prediksi Penyakit Diabetes Melitus Menggunakan Metode Support Vector Machine dan Naive Bayes. Indonesian Journal on Software Engineering (IJSE), 7(1), pp.63–68.

Murtiningsih, M.K., Pandelaki, K. & Sedli, B.P. (2021). Gaya Hidup sebagai Faktor Risiko Diabetes Melitus Tipe 2. e-Clinic (ECL), 9(2), pp.328-333. https://doi.org/10.35790/ecl.v9i2.32852.

Nur Rais, A., Rahmawati, E. & Faizal Amir, R. (2021). Prediksi Pima Indians Diabetes Database Dengan Ensemble Adaboost Dan Bagging. Jurnal Sains




DOI: https://doi.org/10.32528/justindo.v7i2.8627

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Lidia Pebrianti, Fitrahuda Aulia, Halimatun Nisa, Kana Saputra S

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

View My Stats