Aplikasi DIATECT Untuk Prediksi Penyakit Diabetes Menggunakan SVM Berbasis Web

Ganis Sanhaji, Anisa Febrianti, Hidayat Hidayat

Abstract


Abstrack− Penelitian ini menampilkan dampak serius dari Penyakit diabetes. Aplikasi ini bertujuan untuk mendeteksi gejala diabetes. Pada Pendeskripsian masalah yang diteliti berfokus pada peningkatan jumlah penderita diabetes. Menurut data International Diabetes Federation (IDF) diprediksi bahwa jumlah orang dewasa yang menderita diabetes dalam rentang usia 20 hingga 79 tahun mencapai 415 juta individu di seluruh dunia. Penelitian ini memperkenalkan aplikasi berbasis web yang disebut DIATECT (Diabetes Prediction using Support Vector Machine on the Web) yang dirancang untuk memprediksi risiko penyakit diabetes. Aplikasi ini memanfaatkan algoritme Support Vector Machine (SVM) untuk mengolah data kesehatan yang luas dan beragam. DIATECT dapat memberikan prediksi yang akurat tentang kemungkinan seseorang mengetahui diabetes berdasarkan data yang dimasukkan. Penelitian ini menggunakan metode kuantitatif dengan data sekunder sebanyak 768 data, terdiri dari terkena diabetes dan tidak. Hasil uji coba menunjukkan bahwa DIATECT menggunakan algorita SVM  memiliki performa yang baik dalam mendeteksi penyakit diabetes dengan tingkat akurasi sebesar 77% sehingga model yang mampu memprediksi dengan benar pada 77% kasus. Sisanya, sekitar 23%, mungkin merupakan prediksi yang tidak tepat.. Hasil penelitian menunjukkan bahwa aplikasi ini memiliki performa yang kuat, dengan presisi mencapai 77%, recall mencapai 91%, dan F1-score mencapai 91. Aplikasi ini memiliki potensi besar untuk mendukung masyarakat dalam mendeteksi dan mengidentifikasi penyakit melalui platform web yang mudah diakses.

Kata Kunci: SVM, Diabetes, Deteksi, Aplikasi, DIATECT

Full Text:

PDF

References


F. Amira Mumtaz, R. Maulana, and A. S. Budi, “Sistem Pendeteksi Penyakit Diabetes Melitus berdasarkan Kondisi Urin dan Gas Buang Pernapasan menggunakan K-Nearest Neighbor berbasis Arduino,” 2020. [Online]. Available: http://j-ptiik.ub.ac.id

Sulis Tina, “International Diabetes Federation (IDF),” 2020.

khoirudin Mohammad Burhan Hanif, “SISTEM APLIKASI PREDIKSI PENYAKIT DIABETES MENGGUNAKAN FITURE SELECTION KORELASI PEARSON DAN KLASIFIKASI NAIVE BAYES,” Pengembangan Rekayasa dan Teknologi, vol. 16, Dec. 2020.

M. Ardiansyah, A. Sunyoto, and E. T. Luthfi, “Analisis Perbandingan Akurasi Algoritma Naïve Bayes Dan C4.5 untuk Klasifikasi Diabetes,” Edumatic: Jurnal Pendidikan Informatika, vol. 5, no. 2, pp. 147–156, Dec. 2021, doi: 10.29408/edumatic.v5i2.3424.

“JEPIN (Jurnal Edukasi dan Penelitian Informatika) Peningkatan Kinerja Akurasi Prediksi Penyakit Diabetes Mellitus Menggunakan Metode Grid Seacrh pada Algoritma Logistic Regression”.

I. Sriani Masitha, N. Media, N. Wulandari, M. Amin Tohari, P. Kesehatan Masyarakat, and F. Kesehatan Masyarakat, “Seminar Nasional Pengabdian Masyarakat LPPM UMJ Website: http://jurnal.umj.ac.id/index.php/semnas kat”, [Online]. Available: http://jurnal.umj.ac.id/index.php/semnas

O. Maimon and L. Rokach, “Data Mining and Knowledge Discovery Handbook (Second Edition).”

F. R. Lumbanraja, F. Lufiana, Y. Heningtyas, and K. Muludi, “IMPLEMENTASI SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI PEDERITA DIABETES MELLITUS 1,*).”

N. Ketut et al., “IMPLEMENTASI METODE SUPPORT VECTOR MACHINE PADA SISTEM PENGENALAN JEJAITAN,” 2017.

H. Ichwanul Muslim Karo Karo, “Klasifikasi Penderita Diabetes Menggunakan Algoritma Machine Learning dan Z-Score,” Jurnal Teknologi Terpadu, vol. 8, 2022.

“KLASIFIKASI PENDERITA PENYAKIT DIABETES BERBASIS DATA REKAM MEDIS MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Oleh: ARYA ABIMANYU NIM. 17650059 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG 2023.”

M. D. Purbolaksono, M. Irvan Tantowi, A. Imam Hidayat, and A. Adiwijaya, “Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 393–399, Apr. 2021, doi: 10.29207/resti.v5i2.3008.

F. Rosyking Lumbanraja, F. Lufiana, Y. Heningtyas, K. Muludi, J. Ilmu Komputer, and U. Lampung Jl Ir Sumantri Brojonegoro, “Penerapan Metode Support Vector Machine (SVM) dalam Klasifikasi Penderita Diabetes Mellitus,” 2023.

F. Handayanna, “PENERAPAN METODE SUPPORT VECTOR MACHINE MENGGUNAKAN OPTIMASI GENETIC ALGORITHM UNTUK PREDIKSI PENYAKIT DIABETES.”




DOI: https://doi.org/10.33365/jtk.v18i1.3643

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Ganis Sanhaji, Anisa Febrianti, Hidayat

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Jurnal Tekno Kompak
Published by Universitas Teknokrat Indonesia
Organized by Program Studi D3 Sistem Informasi Akuntansi - Universitas Teknokrat Indonesia
Jl. Zainal Abidin Pagaralam, No.9-11, Labuhanratu, Bandarlampung, Indonesia
Telepon : 0721 70 20 22
W : http://ejurnal.teknokrat.ac.id/index.php/teknokompak
E  : teknokompak@teknokrat.ac.id.

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Jumlah Pengunjung : View Tekno Kompak StatsCounter

Flag Counter