Optimasi Algoritma Data Mining Menggunakan Backward Elimination untuk Klasifikasi Penyakit Diabetes
Muhammad Abid Wiratama, Windha Mega Pradnya

Metrics

  • Eye Icon 0 views
  • Download Icon 0 downloads
Metrics Icon 0 views  //  0 downloads
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.

Full text
Show more arrow
 

Metrics

  • Eye Icon 0 views
  • Download Icon 0 downloads
Metrics Icon 0 views  //  0 downloads