Optimasi Algoritma Data Mining Menggunakan Backward Elimination untuk Klasifikasi Penyakit Diabetes

Muhammad Abid Wiratama; Windha Mega Pradnya

doi:10.23887/janapati.v11i1.45282

Authors

Muhammad Abid Wiratama Amikom Yogyakarta University http://orcid.org/0000-0001-7125-1542
Windha Mega Pradnya Amikom Yogyakarta University

DOI:

https://doi.org/10.23887/janapati.v11i1.45282

Keywords:

Diabetes Mellitus, Klasifikasi, Backward Elimination, KNN, NaÃ¯ve Bayes, C4.5

Abstract

Diabetes Mellitus (DM) adalah penyakit metabolik kronis yang ditandai dengan peningkatan kadar gula darah, yang dengan seiring berjalannya waktu akan menyebabkan kerusakan pada organ tubuh lainnya. Menurut situs resmi Word Health Organization (WHO) sekitar 422 juta orang di seluruh dunia menderita diabetes. Di Indonesia sendiri menurut situs databox, Indonesia menempati urutan ke-5 kasus diabetes terbanyak di dunia. Keterlambatan dalam diagnosis penyakit diabetes adalah satu penyebab terjadinya lonjakan jumlah kematian maka dari itu tindakan awal yang harus dilakukan adalah deteksi dini.. Dari banyaknya kasus tersebut maka dihasilkan data pasien diabetes yang dapat diolah. Tujuan penelitian ini adalah untuk mengetahui algoritma klasifikasi terbaik dari akurasi dan nilai AUC tertinggi untuk melakukan deteksi dini penyakit diabetes. Algoritma yang akan teliti adalah algoritma KNN, Naïve Bayes, dan C4.5. Algoritma akan dilakukan optimasi menggunakan metode backward elimination. Metode penelitian penelitian ini akan diselesaikan menggunakan metode CRISP-DM. Hasil penelitian adalah model sebelum dioptimasi adalah algoritma KNN akurasi 92,8% dan auc 0,942, algoritma Naïve Bayes akurasi 88,0% dan auc 0,912, , algoritma C4.5 akurasi 96,7% dan auc 0,956, sedangkan hasil model setelah dioptimasi adalah algoritma KNN akurasi 97,6%dan auc 0,973, algoritma Naïve Bayes akurasi 89,4% dan auc 0,958, algoritma C4.5 akurasi 97,5% dan auc 0,988. Kesimpulan dari penilitian ini adalah algoritma terbaik dari akurasi adalah algoritma KNN yang sudah dioptimasi dengan akurasi 0,976 dan dari auc yang dihasilkan adalah algoritma C4.5 yang sudah dioptimasi dengan nilai auc 0,988.

References

W. D. Septiani dan M. Marlina, “Comparison Of Decision Tree, Naïve Bayes, And Neural Network Algorithm For Early Detection Of Diabetes,” Pilar Nusa Mandiri J. Comput. Inf. Syst., vol. 17, no. 1, Art. no. 1, Mar 2021, doi: 10.33480/pilar.v17i1.2213.

L. Lenny and F. Fridalina, “Faktor-Faktor yang Berhubungan dengan Kepatuhan Berobat Jalan Pasien Diabetes Mellitus Tipe II,” Jurnal Ilmu Kesehatan Masyarakat, vol. 7, no. 02, pp. 85–93, Jul. 2018, doi: 10.33221/jikm.v7i02.110.

Yunitasari, H. S. Hopipah, dan R. Mayasari, “Optimasi Backward Elimination untuk Klasifikasi Kepuasan Pelanggan Menggunakan Algoritme k-nearest neighbor (k-NN) and Naive Bayes,” Technomedia J., vol. 6, no. 1, hlm. 99–110, Jul 2021, doi: 10.33050/tmj.v6i1.1531.

B. Betrisandi, “KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION,” Ilk. J. Ilm., vol. 9, no. 1, Art. no. 1, Apr 2017, doi: 10.33096/ilkom.v9i1.116.96-101.

A. A. Abdillah, “Optimasi Linear Sampling dan Information Gain pada Algoritma Decision Tree untuk Diagnosis Penyakit Diabetes,” MULTINETICS, vol. 7, no. 1, Art. no. 1, Mei 2021.

Sutrisno, “Classification of Diabetes Particle Swarm Optimization K-Nearest Neighbor,” Bachelor thesis, Universitas Bumigora, 2021.

D. Pramadhana, “Klasifikasi Penyakit Diabetes Menggunakan Metode CFS Dan ROS dengan Algoritma J48 Berbasis Adaboost,” Edumatic J. Pendidik. Inform., vol. 5, no. 1, hlm. 89–98, Jun 2021, doi: 10.29408/edumatic.v5i1.3336.

A. Muhidin dan M. Casdi2, “OPTIMASI ALGORITMA NAÏVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION (PSO) DAN STRATIFIED UNTUK MENINGKATKAN AKURASI PREDIKSI PENYAKIT DIABETES,” J. SIGMA, vol. 10, no. 1, hlm. 151–157, Jun 2019.

P. Arsi dan O. Somantri, “Deteksi Dini Penyakit Diabetes Menggunakan Algoritma Neural Network Berbasiskan Algoritma Genetika,” J. Inform. J. Pengemb. IT, vol. 3, hlm. 290–294, Okt 2018, doi: 10.30591/jpit.v3i3.1008.

A. T. Kharroubi dan H. M. Darwish, “Diabetes mellitus: The epidemic of the century,” World J. Diabetes, vol. 6, no. 6, hlm. 850–867, Jun 2015, doi: 10.4239/wjd.v6.i6.850.

D. T. Larose, Data mining methods and models. Hoboken, Nj: Wiley-Interscience, 2006.

J. Han and M. Kamber, Data mining : concepts and techniques. Haryana, India ; Burlington, Ma: Elsevier, 2012.

M. Ary dan D. Rismiati, “Ukuran Akurasi Klasifikasi Penyakit Mesothelioma Menggunakan Algoritma K-Nearest Neighbor dan Backward Elimination,” SATIN - Sains Dan Teknol. Inf., vol. 5, hlm. 11–18, Jun 2019, doi: 10.33372/stn.v5i1.444.

I. Indrayanti, D. Sugianti, dan M. A. A. Karomi, “Peningkatan Akurasi Algoritma KNN dengan Seleksi Fitur Gain Ratio untuk Klasifikasi Penyakit Diabetes Mellitus,” IC-Tech, vol. 12, no. 2, Art. no. 2, 2017, doi: 10.47775/ictech.v12i2.3.

R. Sulaehani, “PREDIKSI KEPUTUSAN KLIEN TELEMARKETING UNTUK DEPOSITO PADA BANK MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION,” Ilk. J. Ilm., vol. 8, no. 3, Art. no. 3, Des 2016, doi: 10.33096/ilkom.v8i3.83.182-189.