PREDIKSI PIMA INDIANS DIABETES DATABASE DENGAN ENSEMBLE ADABOOST DAN BAGGING
Abstract
Teknologi informasi dan komunikasi dapat digunakan oleh para pakar ataupun dokter untuk menafsirkan tentang penyakit dalam waktu yang cepat dan akurat Salah satu penerapan teknologi informasi di dunia Kesehatan dapat digunakan untuk memprediksi penyakit diabetes. Penelitian ini akan memprediksi pima indians diabetes database dengan ensemble adaboost dan bagging untuk menghasilkan akurasi yang lebih tinggi dalam mendeteksi penyakit diabetes. Data mining adalah suatu teknologi yang dapat digunakan untuk membantu perusahaan dalam mencari informasi yang dapat digunakan dari data yang dimiliki. Penggunaan data mining di implementasikan untuk prediksi, untuk mempredisi apa yang terjadi di masa yang akan datang. Dalam penelitian ini membandingkan penggunaan ensemble adaboost dan bagging terhadap algoritma klasifikasi naïve bayes, svm, dan decision tree untuk menghasilkan nilai akurasi dan presisi terbaik dari dataset Pima Indians Diabetes Database. Penelitian ini telah dapat diketahui bahwa nilai akurasi terbaik menggunakan algoritma SVM dengan penggabungan ensemble bagging meski perubahan nilai akurasinya tidak mengalami kenaikan yang signifikan sebesar 77,47%. Namun, pada pengujian presisi dihasilkan penggunaan naïve bayes lebih baik tanpa menggunakan ensemble baik adaboost maupun bagging dengan nilai 80,23%.
Full Text:
PDF (36-42)References
Aris, F. (2019). Penerapan Data Mining untuk Identifikasi Penyakit Diabetes Melitus dengan Menggunakan Metode Klasifikasi. Jurnal Sistem Komputer Dan Sistem Informasi ISSN, 1(1), 1–6. https://www.ejournal.stipwunaraha.ac.id/index.php/router/article/viewFile/313/279
Efendi, M. S., & Wibawa, H. A. (2018). Prediksi Penyakit Diabetes Menggunakan Algoritma ID3 dengan Pemilihan Atribut Terbaik ( Diabetes Prediction using ID3 Algorithm with Best Attribute Selection ). Juita, VI(1), 29–35. http://www.jurnalnasional.ump.ac.id/index.php/JUITA/article/viewFile/2412/2011
Gunawan, M. I., Sugiarto, D., & Mardianto, I. (2020). Peningkatan Kinerja Akurasi Prediksi Penyakit Diabetes Mellitus Menggunakan Metode Grid Seacrh pada Algoritma Logistic Regression. JEPIN (Jurnal Edukasi Dan Penelitian Informatika), 6(3), 280–284.
https://jurnal.untan.ac.id/index.php/jepin/article/view/40718/75676587680
Hanif, M. B., & Khoirudin. (2020). Sistem Aplikasi Prediksi Penyakit Diabetes Menggunakan Fiture. Pengembangan Rekayasa Dan Teknologi, 16(2), 199–205.
Lesmana, I. P. D. (2012). Pengembangan Decision Tree J48 Untuk Diagnosis Penyakit Diabetes Mellitus. Seminar Nasional Teknologi Informasi & Komunikasi Terapan, 2012(Semantik), 189–193.
Prajarini, D., Tinggi, S., Rupa, S., Desain, D., & Indonesia, V. (2016). Perbandingan Algoritma Klasifikasi Data Mining Model C4.5 Dan Naive Bayes Untuk Prediksi Penyakit Diabetes. Informatics Journal, 1(3), 137. http://ejournal.nusamandiri.ac.id/index.php/techno/article/view/217/193
Putri, sanni ucha, Irawan, E., & Rizky, F. (2021). Implementasi Data Mining Untuk Prediksi Penyakit Diabetes. KESATRIA( Jurnal Penerapan Sistem Informasi Dan Manajemen, 2(1), 39–46. https://tunasbangsa.ac.id/pkm/index.php/kesatria/article/viewFile/56/56
Wahyu Hadikristanto; Muhammad Suprayogi. (2019). SIGMA - Jurnal Teknologi Pelita Bangsa SIGMA - Jurnal Teknologi Pelita Bangsa. SIGMA - Jurnal Teknologi Pelita Bangsa 167, 10(September), 167–172. https://jurnal.pelitabangsa.ac.id/index.php/sigma/article/view/500/314
Wiyono, S. (2016). Perbandingan Kinerja Rule ZeroR dan Function SMO dengan T-Test dalam Pengklasifikasian Diagnosis Penyakit Diabetes Mellitus. Emitor: Jurnal Teknik Elektro, 16(1), 23–25. https://doi.org/10.23917/emitor.v16i1.2679
DOI: https://doi.org/10.31294/evolusi.v9i2.11159
ISSN: 2657-0793 (online). ISSN: 2338-8161 (print)
