ANALISIS PERBANDINGAN ALGORITMA KLASIFIKASI UNTUK IDENTIFIKASI DIABETES DENGAN MENGGUNAKAN METODE RANDOM FOREST DAN NAIVE BAYES

Muhammad Rafli Zuhri; Kusrini Kusrini; Dhani Ariatmanto

doi:10.51401/jinteks.v7i1.5146

Authors

Muhammad Rafli Zuhri Universitas Amikom Yogyakarta
Kusrini Kusrini Universitas Amikom Yogyakarta
Dhani Ariatmanto Universitas Amikom Yogyakarta

DOI:

https://doi.org/10.51401/jinteks.v7i1.5146

Keywords:

Diabetes, Diagnosa, klasifikasi, Naïve Bayes, Random Forest

Abstract

Penanganan penyakit diabetes menjadi penting karena komplikasi yang dapat terjadi jika tidak ditanggulangi dengan benar. Klasifikasi merupakan salah satu metode yang dapat digunakan untuk mengidentifikasi diabetes. Algoritma klasifikasi ini dapat menganalisis data pasien, seperti usia, jenis kelamin, riwayat kesehatan, dan hasil tes, untuk memprediksi apakah pasien tersebut menderita diabetes. Random Forest dan Naïve Bayes merupakan dua algoritma klasifikasi yang populer. Random Forest adalah metode kompleks yang didasarkan pada penggabungan beberapa pohon keputusan untuk mendapatkan prediksi yang lebih akurat, sedangkan Naïve Bayes merupakan metode pengklasifikasian berdasarkan probabilitas sederhana dan dirancang agar dapat dimanfaatkan denegan asumsi antar variabel penjelas saling bebas (independen). Hasil penelitian menggunakan data sebanyak 70% sebagai data pelatihan dan 30% sebagai data pengujian dari keseluruhan 768 data. keseluruhan yang diperoleh bahwa metode random forest dapat memprediksi penyakit diabetes dengan tingkat persentase sebesar 94% dan tingkat persentase naïve bayes sebesar 78%. Berdasarkan hasil penelitian yang diperoleh metode random forest memiliki tingkat persentase lebih tinggi dibandingkan metode naïve bayes dengan tingkat persentase 94% sedangkan naïve bayes dengan tingkat persentase 78% sehingga dapat disimpulkan bahwa metode random forest merupakan metode terbaik dalam mengindentifikasi penyakit diabetes dibandingkan metode naïve bayes.

References

A. M. Argina, “Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes,” Indonesian Journal of Data and Science, vol. 1, no. 2, hal. 29–33, 2020, doi: 10.33096/ijodas.v1i2.11.

W. Apriliah, I. Kurniawan, M. Baydhowi, dan T. Haryati, “Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,” Sistemasi, vol. 10, no. 1, hal. 163, 2021, doi: 10.32520/stmsi.v10i1.1129.

S. P. Nainggolan dan A. Sinaga, “Comparative Analysis of Accuracy of Random Forest and Gradient Boosting Classifier Algorithm for Diabetes Classification,” Sebatik, vol. 27, no. 1, hal. 97–102, 2023, doi: 10.46984/sebatik.v27i1.2157.

Q. R. Cahyani et al., “Prediksi Risiko Penyakit Diabetes menggunakan Algoritma Regresi Logistik Diabetes Risk Prediction using Logistic Regression Algorithm Article Info ABSTRAK,” JOMLAI: Journal of Machine Learning and Artificial Intelligence, vol. 1, no. 2, hal. 2828–9099, 2022, doi: 10.55123/jomlai.v1i2.598.

G. Abdurrahman, “Klasifikasi Penyakit Diabetes Melitus Menggunakan Adaboost Classifier,” JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia), vol. 7, no. 1, hal. 59–66, 2022, doi: 10.32528/justindo.v7i1.4949.

N. Nurussakinah dan M. Faisal, “Klasifikasi Penyakit Diabetes Menggunakan Algoritma Decision Tree,” Jurnal Informatika, vol. 10, no. 2, hal. 143–149, 2023, doi: 10.31294/inf.v10i2.15989.

R. Supriyadi, W. Gata, N. Maulidah, dan A. Fauzi, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” E-Bisnis?: Jurnal Ilmiah Ekonomi dan Bisnis, vol. 13, no. 2, hal. 67–75, 2020, doi: 10.51903/e-bisnis.v13i2.247.

A. Prandika Siregar, D. Priyadi Purba, J. Putri Pasaribu, K. Reza Bakara, dan J. V Willem Iskandar Pasar Medan Estate, “Implementasi Algoritma Random Forest Dalam Klasifikasi Diagnosis Penyakit Stroke,” Jurnal Penelitian Rumpun Ilmu Teknik (JUPRIT), vol. 2, no. 4, hal. 155–164, 2023, [Daring]. Tersedia pada: https://doi.org/10.55606/juprit.v2i4.3039

N. F. Patimah, M. Abdurrohman, A. R. Rinaldi, dan A. Rinaldi Dikananda, “Implementasi Algoritma Naïve Bayes dalam Klasifikati Penyakit Diabetes,” Jurnal Data Science & Informatika, vol. 1, no. 1, hal. 6–10, 2021, [Daring]. Tersedia pada: http://publikasi.bigdatascience.id

F. Sholekhah, A. D. Putri, dan L. Efrizoni, “Comparison of Naive Bayes and K-Nearest Neighbors Algorithms for Metabolic Syndrome Classification Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbors untuk Klasifikasi Metabolik Sindrom,” vol. 4, no. April, hal. 507–514, 2024.

D. Nasien et al., “Perbandingan Implementasi Machine Learning Menggunakan Metode KNN , Naive Bayes , Dan Logistik Regression Untuk Mengklasifikasi Penyakit Diabetes,” vol. 4, no. 1, 2024.