DIABETES PREDICTION SYSTEM “DIAPRES” BERBASIS OPTIMASI PARAMETER PADA METODE DECISION TREE
Abstract
Diabetes merupakan penyakit menahun (kronis) dimana komplikasi yang sering terjadi pada penderita dan mematikan adalah serangan jantung dan stroke. Menurut Riskesdaa 2018, baru sekitar 25% penderita diabetes mengetahui bahwa dirinya menderita diabetes. Untuk menekan jumlah penderita penyakit diabetes yang semakin bertambah, salah satu yang bisa dilakukan adalah deteksi dini dengan mengembangkan aplikasi prediksi penyakit diabetes memanfaatkan metode klasifikasi Data Mining. Penelitian ini akan mengoptimasi metode klasifikasi Decision Tree dengan Optimasi Parameter untuk menghasilkan akurasi tertinggi. Parameter yang dimaksud adalah Number of folds pada Cross Validation dan pada metode Decision Tree adalah parameter Criterion, maximal depth, apply pruning dan apply pre pruning. Data yang digunakan diambil dari data publik Kaggle dengan jumlah 2000 record dan 9 atribut (1 atribut khusus). Evaluasi dilakukan dengan membandingkan hasil nilai akurasi sebelum dan sesudah optimasi. Dari eksperimen yang dilakukan diketahui sebelum optimasi nilai akurasi berkisar 76% - 80%, dan setelah optimasi nilai akurasi mencapai 98,00%. Kemudian hasil nilai akurasi tertinggi yang ditampilkan dalam pohon keputusan metode Decision Tree yang dikembangkan menjadi sebuah aplikasi Diabetes Prediction System ‘DIAPRES’ berbasis web. Metode pengembangan perangkat lunak menggunakan metode Waterfall dengan PHP-MySQL sebagai bahasa pemrograman yang digunakan dan Pengujian Aplikasi Black Box Testing.
Full Text:
PDFReferences
R. A. Siallagan and Fitriyani, “Prediksi Penyakit Diabetes Mellitus Menggunakan Algoritma C4.5,” J. Responsif Ris. Sains dan Inform., vol. 3, no. 1, pp. 44–52, 2021, doi: 10.51977/jti.v3i1.407.
M. S. Efendi and H. A. Wibawa, “Prediksi Penyakit Diabetes Menggunakan Algoritma ID3 dengan Pemilihan Atribut Terbaik (Diabetes Prediction using ID3 Algorithm with Best Attribute Selection),” Juita, vol. VI, no. 1, pp. 29–35, 2018.
M. Komi, J. Li, Y. Zhai, and Z. Xianguo, “Application of data mining methods in diabetes prediction,” 2017 2nd Int. Conf. Image, Vis. Comput. ICIVC 2017, no. S Ix, pp. 1006–1010, 2017, doi: 10.1109/ICIVC.2017.7984706.
E. Muningsih, C. Kesuma, Sunanto, Suripah, and A. Widayanto, “Combination of K-Means method with Davies Bouldin index and decision tree method with parameter optimization for best performance,” AIP Conf. Proc., vol. 2714, 2023, doi: 10.1063/5.0129119.
D. Sisodia and D. S. Sisodia, “Prediction of Diabetes using Classification Algorithms,” Procedia Comput. Sci., vol. 132, no. Iccids, pp. 1578–1585, 2018, doi: 10.1016/j.procs.2018.05.122.
T. Dudkina, I. Meniailov, K. Bazilevych, S. Krivtsov, and A. Tkachenko, “Classification and prediction of diabetes disease using decision tree method,” CEUR Workshop Proc., vol. 2824, pp. 163–172, 2021.
J. J. Khanam and S. Y. Foo, “A comparison of machine learning algorithms for diabetes prediction,” ICT Express, vol. 7, no. 4, pp. 432–439, 2021, doi: 10.1016/j.icte.2021.02.004.
V. Prakash, R. Bhavani, and A. Anupriya, “Efficient diagnostic system for smart diabetes,” Int. J. Eng. Adv. Technol., vol. 8, no. 6, pp. 3789–3792, 2019, doi: 10.35940/ijeat.F9392.088619.
D. K. Choubey, P. Kumar, S. Tripathi, and S. Kumar, “Performance evaluation of classification methods with PCA and PSO for diabetes,” Netw. Model. Anal. Heal. Informatics Bioinforma., vol. 9, no. 1, 2020, doi: 10.1007/s13721-019-0210-8.
S. S. Bhat, V. Selvam, G. A. Ansari, M. D. Ansari, and M. H. Rahman, “Prevalence and Early Prediction of Diabetes Using Machine Learning in North Kashmir: A Case Study of District Bandipora,” Comput. Intell. Neurosci., vol. 2022, 2022, doi: 10.1155/2022/2789760.
S. H. Sastry and P. M. S. P. Babu, “Implementation of CRISP Methodology for ERP Systems,” vol. 2, no. 05, pp. 203–217, 2013, [Online]. Available: http://arxiv.org/abs/1312.2065
E. Muningsih, H. M. Nur, F. F. Dwi Imaniawan, Saifudin, V. R. Handayani, and F. Endiarto, “Comparative Analysis on Dimension Reduction Algorithm of Principal Component Analysis and Singular Value Decomposition for Clustering,” J. Phys. Conf. Ser., vol. 1641, no. 1, 2020, doi: 10.1088/1742-6596/1641/1/012101.
T. Tjahjanto, A. Arista, and E. Ermatita, “Application of the Waterfall Method in Information System for State-owned Inventories Management Development,” Sinkron, vol. 7, no. 4, pp. 2182–2192, 2022.
B. A. Priyaungga, D. B. Aji, M. Syahroni, N. T. S. Aji, and A. Saifudin, “Pengujian Black Box pada Aplikasi Perpustakaan Menggunakan Teknik Equivalence Partitions,” J. Teknol. Sist. Inf. dan Apl., vol. 3, no. 3, p. 150, 2020, doi: 10.32493/jtsi.v3i3.5343.
DOI: https://doi.org/10.33365/jti.v18i1.3619
Refbacks
- There are currently no refbacks.
Copyright (c) 2024 Elly Muningsih, Sutrisno, Fitriyani Rizki, Khurotul Dwi Asiffa
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
JURNAL TEKNOINFO
Published by Universitas Teknokrat Indonesia
Organized by Prodi S1 Informatika FTIK Universitas Teknokrat Indonesia
W: http://ejurnal.teknokrat.ac.id/index.php/teknoinfo/index
E : teknoinfo@teknokrat.ac.id.
Jl. Zainal Abidin Pagaralam, No.9-11, Labuhan Ratu, Bandarlampung
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jumlah Pengunjung : View Teknoinfo StatsCounter