PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN NAÏVE BAYES DALAM KLASIFIKASI PENYAKIT DIABETES
Isi Artikel Utama
Abstrak
Tingginya kadar gula dalam darah dapat mengakibatkan penyakit Diabetes. Semakin lama orang tidak dapat mengontrol glukosa dalam darah, maka dapat mengakibatkan komplikasi penyakit lain bahkan kematian. Diperlukannya deteksi dini terhadap penyakit diabetes, salah satu caranya yaitu dengan melakukan klasifikasi data mining. Klasifikasi data mining dalam penelitian ini menggunakan dua algoritma yaitu SVM (Support Vector Machine) dan Naïve Bayes. Penelitian ini membandingkan kedua algoritma dengan menggunakan dua metode yakni training split dan k-fold cross validation yang bertujuan untuk mendapatkan hasil klasifikasi terbaik dalam mendeteksi penyakit diabetes. Hasil klasifikiasi terbaik ditentukan dengan menghitung nilai dari rata-rata presisi, recall, dan akurasi. Berdasarkan penelitian ini, algoritma SVM dengan training persentase split menghasilkan nilai rata-rata untuk presisi, recall, dan akurasi yaitu 77%, 71.5%, 77.27%, sedangkan algoritma SVM dengan k-fold cross validation menghasilkan nilai rata-rata untuk presisi, recall, dan akurasi yaitu 77%, 72.5%, 71%. Algoritma Naïve Bayes dengan metode training persentase split menghasilkan nilai rata-rata untuk presisi, recall, dan akurasi yaitu 75.5%, 74.5%, 79%, sedangkan algoritma Naïve Bayes dengan k-fold cross validation menghasilkan nilai rata-rata untuk presisi, recall, dan akurasi sebesar 75.5%, 74.5%, 75%. Hasil klasifikasi terbaik dalam mendeteksi penyakit diabetes adalah algoritma Naïve Bayes metode persentase split memberikan nilai akurasi, presisi, recall terbaik diatas 74%.
Unduhan
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Penulis yang menerbitkan dengan Positif : Jurnal Sistem dan Teknologi Informasi menyetujui persyaratan berikut:
- Penulis memegang hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
- Penulis dapat masuk ke dalam pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan publikasi awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif, serta kutipan lebih awal dan lebih besar dari karya yang diterbitkan.
This work is licensed under a Creative Commons Attribution 4.0 International License.
Referensi
[1] C. S. Sari, “Evaluasi Pemberian Informasi Obat Insulin Pada Pasien Rawat Jalan Rumah Sakit Pku Muhammadiyah Sekapuk,” Universitas Muhammadiyah Gresik, 2020.
[2] U. Hasanah, “Insulin Sebagai Pengatur kadar Gula Darah,” J. Kel. Sehat Sejah., vol. 11, no. 22, pp. 42–49, 2013.
[3] D. N. Anisa and Jumanto, “Klasifikasi Penyakit Diabetes Menggunakan Algoritma Naive Bayes,” Din. Inform., vol. 14, no. 1, pp. 33–42, 2022.
[4] E. D. Nurcahya, “Klasifikasi Penyakit Ayam Menggunakan Metode Support Vector Machine,” VOLT J. Ilm. Pendidik. Tek. Elektro, vol. 2, no. 1, p. 45, 2017.
[5] Kementrian Kesehatan Republik Indonesia, “Berat Badan Ideal Bantu Cegah Timbulnya Diabetes,” Biro Komunikasi dan Pelayanan Masyarakat, 2021.
[6] Badan Penelitian dan Pengembangan Kesehatan, “Laporan Riskesdas 2018 Nasional,” Lembaga Penerbit Balitbangkes. 2018.
[7] W. Hoaxiang and S. Smys, “Big Data Analysis and Perturbation Using Data Mining Algorithm,” J. Soft Comput. Paradig., vol. 3, no. 1, pp. 19–28, 2021.
[8] D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 437, 2020.
[9] A. Damuri, U. Riyanto, H. Rusdianto, and M. Aminudin, “Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako,” JURIKOM (Jurnal Ris. Komputer), vol. 8, no. 6, p. 219, 2021.
[10] A. Darmawan, N. Kustian, and W. Rahayu, “Implementasi Data Mining Menggunakan Model SVM Untuk Prediksi Kepuasan Pengunjung Taman Tabebuya,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 2, no. 3, pp. 299–307, 2018.
[11] O. Arifin and T. B. Sasongko, “Analisa Perbandingan Tingkat Performansi Metode Support Vector Machine dan Naive Bayes Classifier untuk Klasifikasi Jalur Minat SMA,” Semin. Nas. Teknol. Inf. dan Multimed. 2018, pp. 67–72, 2018.
[12] A. Budianto, R. Ariyuana, and D. Maryono, “Perbandingan K-Nearest Neighbor (KNN) Dan Support Vector Machine (SVM) Dalam Pengenalan Karakter Plat Kendaraan Bermotor,” J. Ilm. Pendidik. Tek. dan Kejuru., vol. 11, no. 1, pp. 27–35, 2019.
[13] A. T. Novarina, E. Santoso, and Indriati, “Sistem Pakar Diagnosis Penyakit Hepatitis Menggunakan Metode Dempster Shafer,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 6, pp. 2252–2258, 2018.
[14] S. Sayed, M. Nassef, A. Badr, and I. Farag, “A Nested Genetic Algorithm For Feature Selection In High-Dimensional Cancer Microarray Datasets,” Expert Syst. Appl., vol. 121, pp. 233–243, 2019.
[15] H. Hermanto, A. Mustopa, A. Y. Kuntoro, and others, “Algoritma Klasifikasi Naive Bayes Dan Support Vector Machine Dalam Layanan Komplain Mahasiswa,” JITK (Jurnal Ilmu Pengetah. Dan Teknol. Komputer), vol. 5, no. 2, pp. 211–220, 2020.
[16] P. M. N. Dharmapatni and N. L. P. Merawati, “Penerapan Algoritma Support Vector Machine Dalam Sentimen Analisis Terkait Kenaikan Tarif BPJS Kesehatan,” J. Bumigora Inf. Technol., vol. 2, no. 2, pp. 105–112, 2020.
[17] R. Venkatesh, C. Balasubramanian, and M. Kaliappan, “Development of Big Data Predictive Analytics Model for Disease Prediction using Machine learning Technique,” J. Med. Syst., vol. 43, no. 8, 2019.
[18] N. Salmi and Z. Rustam, “Naïve Bayes Classifier Models for Predicting the Colon Cancer,” IOP Conf. Ser. Mater. Sci. Eng., vol. 546, no. 5, 2019.
[19] D. Cahya Putri Buani, “Penerapan Algoritma Naïve Bayes dengan Seleksi Fitur Algoritma Genetika Untuk Prediksi Gagal Jantung,” EVOLUSI J. Sains dan Manaj., vol. 9, no. 2, pp. 43–48, 2021.
[20] A. Desiani, “Perbandingan Implementasi Algoritma Naïve Bayes dan K-Nearest Neighbor Pada Klasifikasi Penyakit Hati,” Simkom, vol. 7, no. 2, pp. 104–110, 2022.
[21] D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” CESS (Journal Comput. Eng. Syst. Sci., vol. 4, no. 1, pp. 78–82, 2019.
[22] I. M. Parapat, M. T. Furqon, and Sutrisno, “Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 10, pp. 3165–3166, 2018, [Online]. Available: http://j-ptiik.ub.ac.id
[23] D. A. Anggoro and N. D. Kurnia, “Comparison of Accuracy Level of Support Vector Machine (SVM) and K-Nearest Neighbors (KNN) Algorithms In Predicting Heart Disease,” Int. J., vol. 8, no. 5, pp. 1689–1694, 2020.
[24] P. T. D. P. Putu, M. F. Zambak, Suwarno, and P. Harahap, “Analisa Radiasi Sinar Matahari Terhadap Panel Surya 50 WP,” RELE (Rekayasa Elektr. dan Energi) J. Tek. Elektro, vol. 4, no. 1, pp. 48–54, 2021.
[25] A. Indriani, “Klasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier,” Semin. Nas. Apl. Teknol. Inf., pp. 1–10, 2014.
[26] B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara dengan Teknologi WSN Menggunakan Confusion Matrix,” J. Inform. Upgris, vol. 6, no. 2, Jan. 2021.
[27] E. Prasetyo, Data Mining: Konsep dan Aplikasi menggunakan MATLAB. Yogyakarta: ANDI, 2012.