Penerapan Data Mining Untuk Prediksi Resiko Diabetes Tahap Awal Menggunakan Metode Naive Bayes
Keywords:
prediksi, data mining, klasifikasi, naïve bayesAbstract
Prediksi adalah upaya meramalkan sesuatu yang akan terjadi di masa depan dengan menggunakan berbagai informasi yang relevan pada waktu sebelumnya dengan menggunakan metode ilmiah. Data mining adalah pengumpulan berbagai data atau informasi yang memiliki berbagai kegunaan dan manfaat selama periode pengumpulan data. Pemanfaatan Data Mining tidak terbatas pada teknologi saja; itu juga dapat digunakan untuk meningkatkan kesehatan dalam satu cara, seperti mendiagnosis diabetes menggunakan metode Naive Bayes, yang merupakan algoritma yang mengurangi risiko kesehatan dari semua metode lainnya. Diabetes melitus juga dikenal sebagai gangguan metabolisme yang ditandai dengan tingginya kadar gula darah yang berkepanjangan Diabetes dapat mengakibatkan masalah kesehatan yang serius, seperti kondisi penyakit ginjal. Tujuan dari penelitian ini adalah untuk menentukan dan menurunkan ambang batas gejala diabetes. Untuk melakukan penelitian ini, dataset yang digunakan adalah Diabetes Prediction Dataset yang diambil dari website Kaggle. Hasil dari penelitian menunjukan bahwa penerapan algoritma Naive Bayes untuk memprediksi penyakit diabetes berdasarkan gejala-gejala awal menghasilkan akurasi sebesar 70.00% dengan pengujian menggunakan Excel dan RapidMiner.
References
[1] Rahayu, PW; Sudipa, IGI ; Suryani; Surachman, A; Ridwan, A; Darmawiguna, IGM; Sutoyo, MN ; Slamet, I; Harlina, D; Maysanjaya, IMD; 2024. Buku Ajar Data Mining. Sonpedia Publishing Indonesia.
[2] C. A. Rahayu, “Prediksi Penderita Diabetes Menggunakan Metode Naive Bayes,” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 3, 2023, doi: 10.23960/jitet.v11i3.3055.
[3] I. Print, G. A. Putri, A. Trimaysella, and A. Khoiriah, “Jurnal Ilmu Komputer Teknologi Terapan ( JIKTT ) Penerapan Klasifikasi Data Mining pada Diabetes Menggunakan Metode Naive Bayes. Penyakit ini memiliki tanda-tand,” vol. 1, no. 14, pp. 1–9, 2024.
[4] P. D. Rinanda, B. Delvika, S. Nurhidayarnis, N. Abror, and A. Hidayat, “Perbandingan Klasifikasi Antara Naive Bayes dan K-Nearest Neighbor Terhadap Resiko Diabetes pada Ibu Hamil,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. 2, pp. 68–75, 2022, doi: 10.57152/malcom.v2i2.432.
[5] A. F. Riany and G. Testiana, “Penerapan Data Mining untuk Klasifikasi Penyakit Stroke Menggunakan Algoritma Naïve Bayes,” J. SAINTEKOM, vol. 13, no. 1, pp. 42–54, 2023, doi: 10.33020/saintekom.v13i1.352.
[6] H. Apriyani and K. Kurniati, “Perbandingan Metode Naïve Bayes Dan Support Vector Machine Dalam Klasifikasi Penyakit Diabetes Melitus,” J. Inf. Technol. Ampera, vol. 1, no. 3, pp. 133–143, 2020, doi: 10.51519/journalita.volume1.isssue3.year2020.page133-143.
[7] A. Veronica Agustin and A. Voutama, “Implementasi Data Mining Klasifikasi Penyakit Diabetes Pada Perempuan Menggunakan Naïve Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 2, pp. 1002–1007, 2023, doi: 10.36040/jati.v7i2.6808.
[8] Florin Gorunescu, Data Mining: Concepts, Models and Techniques. 2011. doi: 10.1007.
[9] P. Galdi and R. Tagliaferri, “Data mining: accuracy and error measures for classification and prediction,” Encyclopedia of bioinformatics and computational biology. 2018. [Online]. Available: https://books.google.co.id/books
[10] G. Ruß and A. Brenning, “Data mining in precision agriculture: management of spatial information,” in Computational Intelligence for KnowledgeBased Systems. 2010.
[11] B. Juba and H. S. Le, “Precisionrecall versus accuracy and the role of large data sets,” in Proceedings of the AAAI conference on artificial intelligence. 2019.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Journal Research on Computing Knowledge
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
