SISTEM PENDUKUNG KEPUTUSAN PENYAKIT DIABETES MEGGUNAKAN METODE KLASIFIKASI NAÏVE BAYES

Authors

  • Aa Kurniawan Universitas Pamulang

Abstract

Pemanfaatan komputer pada saat ini sudah menyentuh berbagai aspek kehidupan manusia. Hampir seluruh bidang pekerjaan mulai masuk ke era komputerisasi, salah satunya termasuk dalam bidang kesehatan. Diabetes adalah penyakit menahun yang terjadi karena adanya gangguan metabolik yang ditandai dengan kadar gula darah yang melebihi batas normal. Penyakit ini tidak hanya menyebabkan kematian premature di seluruh dunia, lebih jauh lagi menjadi penyebab utama kebutaan, penyakit jantung dan ginjal. Berdasarkan Riset Kesehatan Dasar (RISKESDA) yang dilaksanakan pada tahun 2018 menyimpulkan bahwa baru sekitar 25% penderita diabetes yang mengetahui dirinya menderita diabetes. Hal ini, menjadikan status diabetes sebagai silent killer dari penyakit ini masih menghantui dunia. Diagnosis terhadap penyakit ini secara medis masih mengalami kesulitan dan reduksi data. Untuk mendukung hal ini perlu menggunakan teknik data mining berbasis komputer agar dapat menggali informasi berharga dari kumpulan informasi diabetes. Klasifikasi dan klasterisasi merupakan dua bidang garapan yang paling sering ditemui untuk mengekstrak pengetahuan. Dalam peranannya klasifikasi adalah proses untuk menemukan model yang menggambarkan dan membedakan kelas data atau konsep dengan tujuan memprediksi kelas untuk data yang tidak diketahui kelasnya. Model algoritma yang digunakan dalam klasifikasi adalah algoritma naïve bayes. Pada penelitian ini, implementasi kinerja algoritma naïve bayes digunakan untuk melakukan teknik klasifikasi. Penelitian ini mengambil sampel dari UCI data set dengan menggunakan 16 atribut independen dan satu atribut dependen. Sehingga, diharapkan tujuan dari penelitian ini kita dapat mengimplementasikan dan memanfaatkan media internet untuk mendiagnosa dan mengklasifikasi penyakit diabetes secara dini dan mandiri.

References

Ardiansyah, M., Sunyoto, A., & Luthfi, E. T. (2021). Analisis Perbandingan Akurasi Algoritma Naïve Bayes Dan C4.5 untuk Klasifikasi Diabetes. Edumatic.

Arsi, P., & Somantri, O. (2018). Deteksi Dini Penyakit Diabetes menggunakan Algoritma Neural Network Berbasiskan Algoritma Genetika. J.Inform.J.Pengemb.IT, 290-294.

germas, k. (2020). infodatin. Dipetik 2021, dari https://www.kemkes.go.id/downloads/resources/download/pusdatin/infodatin/Infodatin%202020%20Diabetes%20Melitus.pdf

Han, J., & Kamber, M. (2006). Data Mining Concept and Techniques.

Huang, f., Zhu, Q., Zhou, J., Tao, J., Zhou, X., Jin, D., et al. (2017). Research on the Parallelization of the DBSCAN Clustering Algorithm for Spatial Data Mining Based on the Spark Platform. MDPI.

idf. (t.thn.). Dipetik 2022, dari International Diabetes Federation: https://idf.org/

IDF. (t.thn.). IDF. Diambil kembali dari International Diabetes Federation: https://idf.org/

Insani, M. I., Alamsyah, & Putra, A. T. (2021). Implementasi Sistem Pakar Untuk Mendoagnosa Penyakit Diabetes Menggunakan Metode Naive Bayes dan Certainty Factor. Scientific Journal of Informatics.

Larose, D. (2005). Disxcovering Knowledge in Data .

Lesmana, I. (2012). Perbandingan kinerja Decsion Tree J48 dan ID3 Dalam Pengklasifikasian Diagnosis Penyakit Diabetes Mellitus.

N. Chu, L., J. Li, P., & Y. Zhou. (2010). Rough set based feature selection for improved differentiation of traditional Chinese medical data. seventh International Conference on Fuzzy Systems and Knowledge Discovery, (hal. 2667-2672). Ynatai, China.

Noviandi. (2018). Implementasi Algoritma Decision Tree C4.5 Untuk Prediksi Penyakit Diabetes. Inohim.

P2PTM, D. (t.thn.). Apa yang dimaksud diabetes melitus? Jakarta: Kementerian Kesehatan Republik Indonesia.

Perkeni. (2021). Pengelolaan dan Pencegahan Diabetes Mellitus Tipe 2 Dewasa di Indonesia. Dipetik 2022, dari Perkeni: https://pbperkeni.or.id/wp-content/uploads/2021/11/22-10-21-Website-Pedoman-Pengelolaan-dan-Pencegahan-DMT2-Ebook.pdf

Pratiwi, H. (2019). Sistem pakar. Kuningan: Goresan Pena.

Surbakti, J. (2022). mplementasi Metode NaïveBayes Untuk Diagnosa Penyakit Hati. Jikomsi, 34-40.

Susilawati, D., & Riana, D. (2021). Optimization the Naive bayes Classifier Method to diagnose Diabetes Mellitus. IAIC Trans. Sustain.Digit. Innov. ITSDI, 78-86.

Vijayan, V., & Anjali, C. (2015). Prediction and diagnosis of diabetes mellitus-A machine learning approach. IEEE, 122-127.

Zhang, H., & Wang, Z. (2011). A Normal Distribution-Based Over-Sampling Approach to Imbalanced Data Classification. 83-96.

Downloads

Published

2023-06-03