Optimasi Algoritma Klasifikasi Naive Bayes, Decision Tree, K "“ Nearest Neighbor, dan Random Forest menggunakan Algoritma Particle Swarm Optimization pada Diabetes Dataset
DOI:
https://doi.org/10.26418/jp.v8i3.56656Keywords:
Algoritma Naive Bayes, Algoritma Decision Tree, Algoritma K"“ Nearest Neighbor, Algoritma Random Forest, Particle Swarm OptimizationAbstract
Organisasi International Diabetes Federation (IDF) mencatat pada tahun 2021 sebanyak 537 juta orang di dunia menderita penyakit diabetes dan diperkirakan jumlahnya akan mencapai 700 juta orang di tahun 2045. Dari data tersebut dapat dikatagorikan bahwa penyakit diabetes pada saat ini sudah menjadi salah satu penyakit pembunuh terbanyak didunia termasuk di Indonesia. Gejala diabetes dapat dideteksi, namun dari penelitian dalam kesehatan dasar tahun 2018, hanya seperempat dari para penderita diabetes yang mengetahui dirinya terjangkit diabetes. Dalam upaya meningkatkan pengetahuan tentang gejala diabetes perlu adanya model klasifikasi yang baik dan memiliki akurasi yang tinggi sebagai prediksi penyakit diabetes, sehingga pengidap diabetes dapat diprediksi lebih dini. Dalam penelitian ini, penulis melakukan optimasi untuk meningkatkan nilai akurasi hasil klasifikasi dataset diabetes menggunakan algoritma Particle Swarm Optimization (PSO) pada empat algoritma antara lain algoritma Naive Bayes, Decision Tree, K - Nearest Neighbor, dan Random Forest. Dari hasil penghitungan didapat nilai akurasi algoritma Naive Bayes sebelum optimasi 84.07% dan setelah optimasi 89.01%. Algoritma Decision Tree sebelum optimasi 94.78% dan setelah optimasi 96.98%. Algoritma K-Nearest Neighbor sebelum optimasi 85.99% dan setelah optimasi 94.51%. Algoritma Random Forest sebelum optimasi 97.25% dan setelah optimasi 98.35%. Berdasarkan hasil penghitungan nilai akurasi tertinggi sebelum dan sesudah optimasi adalah algoritma random forest, sedangkan kenaikan hasil optimasi tertinggi yaitu algoritma K-Nearest Neighbor sebanyak 8.52%.
References
M. I. Gunawan, D. Sugiarto, and I. Mardianto, “Peningkatan Kinerja Akurasi Prediksi Penyakit Diabetes Mellitus Menggunakan Metode Grid Seacrh pada Algoritma Logistic Regression,†Jurnal Edukasi dan Penelitian Informatika, vol. 6, no. 3, pp. 280–284, Dec. 2020.
W. Apriliah, I. Kurniawan, M. Baydhowi, and T. Haryati, “Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,†2021. [Online]. Available: http://sistemasi.ftik.unisi.ac.id
R. A. Ramadhani and R. K. Niswatin, “Sistem Diagnosa Diabetes Menggunakan Metode K-NN,†2018.
M. D. Nurmalasari, K. Kusrini, and S. Sudarmawan, “Komparasi Algoritma Naive Bayes dan K-Nearest Neighbor untuk Membangun Pengetahuan Diagnosa Penyakit Diabetes,†Jurnal Komtika (Komputasi dan Informatika), vol. 5, no. 1, pp. 52–59, Jul. 2021, doi: 10.31603/komtika.v5i1.5140.
A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,†2020.
A. Fauzi, “Analisis Data Bank Direct Marketing dengan Perbandingan Klasifikasi Data Mining Berbasis Optimize Selection (Evolutionary),†Jurnal Informatika Universitas Pamulang, vol. 6, no. 1, p. 102, Mar. 2021, doi: 10.32493/informatika.v6i1.9291.
W. Yustanti and N. Rochmawati, “Analisis Algoritma Klasifikasi untuk Memprediksi Karakteristik Mahasiswa pada Pembelajaran Daring,†Jurnal Edukasi dan Penelitian Informatika, vol. 8, no. 1, pp. 57–61, 2022.
A. H. Yunial, “Analisis Optimasi Algoritma Klasifikasi Support Vector Machine, Decision Trees, dan Neural Network Menggunakan Adaboost dan Bagging,†Jurnal Informatika Universitas Pamulang, vol. 5, no. 3, p. 247, Sep. 2020, doi: 10.32493/informatika.v5i3.6609.
R. Puspita and A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,†Jurnal Informatika Universitas Pamulang, vol. 5, no. 4, p. 646, Dec. 2021, doi: 10.32493/informatika.v5i4.7622.
F. Elfaladonna and A. Rahmadani, “Analisa Metode Classification-Decission Tree dan Algoritma C.45 Untuk Memprediksi Penyakit Diabetes Dengan Menggunakan Aplikasi Rapid Miner,†SINTECH JOURNAL, vol. 2, no. 1, pp. 10–17, 2019.
T. Arifin and A. Herliana, “Optimasi Metode Klasifikasi dengan Menggunakan Particle Swarm Optimization untuk Identifikasi Penyakit Diabetes Retinopathy,†2018.
Sudriyanto, R. Rizaldi, and M. Ainun Rofiq Hariri, “Implementasi Algoritme Decision Tree (C4.5) dengan Optimize Weights (PSO) untuk Memprediksi Kelulusan Mahasiswa Tepat Waktu,†Jurnal Informatika Universitas Pamulang, vol. 6, no. 2, pp. 252–257, 2021, doi: 10.32493/informatika.v6i2.9197.
S. I. Fernanda, D. E. Ratnawati, and P. P. Adikara, “Identifikasi Penyakit Diabetes Mellitus Menggunakan Metode Modified K-Nearest Neighbor (MKNN),†2017. [Online]. Available: http://j-ptiik.ub.ac.id
R. Oktaria, M. Komarudin, and M. A. Muda, “ANALISA KLASIFIKASI KUALITAS MAHASISWA LULUSAN BERDASARKAN JALUR PENERIMAAN MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS: UNIVERSITAS LAMPUNG),†JURNAL TEKNIK INFORMATIKA, vol. 12, no. 2, pp. 183–192, Nov. 2019, doi: 10.15408/jti.v12i2.11171.
H. Sastypratiwi, H. Muhardi, and J. H. Hadari Nawawi, “Uji Komparasi Algoritma Naïve Bayes dan Decision Tree Classification Menggunakan Covid-19 Dataset,†Jurnal Edukasi dan Penelitian Informatika, vol. 8, no. 1, pp. 1–6, 2022.
Nurhayati, F. Agustian, and M. D. I. Lubis, “Particle Swarm Optimization Feature Selection for Breast Cancer Prediction,†Oct. 2020. doi: 10.1109/CITSM50537.2020.9268865.
W. , D. Nugraha, E. Y. A. Dodu, and F. M. B. Paloloang, “Sistem Penjadwalan Perkuliahan Menggunakan Algoritma Particle Swarm Optimization Pada Jurusan Teknologi Informasi Fakultas Teknik Universitas Tadulako,†Computer Science and Informatics Journal, vol. 2, no. 1, pp. 1–11, 2019.
N. K. C. Bandinithya Dewi, N. K. Ayu Wirdiani, and D. M. Sri Arsa, “Klasifikasi Kecanduan Smartphone pada Pelajar Sekolah Menengah Atas menggunakan Metode Machine Learning Berbasis Feature Weighting,†Jurnal Edukasi dan Penelitian Informatika, vol. 8, no. 1, pp. 95–103, 2022.
