KLASIFIKASI TINGKAT RISIKO DIABETES MENGGUNAKAN ALGORITMA RANDOM FOREST
DOI:
https://doi.org/10.36595/jire.v7i2.1259Keywords:
Algoritma Random Forest, Data Mining, Penyakit DiabetesAbstract
Diabetes mellitus, penyakit metabolik kronis, menyebabkan kadar gula darah berlebihan karena tubuh tidak menghasilkan cukup insulin atau tidak mampu menggunakannya secara efektif. Kondisi ini biasanya disebabkan oleh masalah organ tubuh. Peningkatan glukosa darah yang berlarut-larut akibat diabetes dapat menyebabkan gagal ginjal, kebutaan, dan serangan jantung. Diabetes dinyatakan pada pasien yang memiliki glukosa darah yang lebih tinggi dari nilai normal. Organisasi Kesehatan Dunia (WHO) mengatakan bahwa pada tahun 2011, 4,6 juta orang meninggal karena diabetes, 2,2 juta karena kadar glukosa darah tinggi, dan 1,6 juta karena diabetes. Jumlah orang yang menderita diabetes pada tahun 2015 adalah 415 juta, dan diperkirakan akan meningkat menjadi 642 juta pada tahun 2040. Salah satu metode data mining yang membantu prediksi adalah klasifikasi data mining; tujuan penelitian ini adalah untuk membuat dan menerapkan klasifikasi ini. Penelitian ini juga menyelidiki epidemiologi diabetes, faktor risiko, strategi pencegahan dan pengelolaan diabetes, dan strategi untuk mengurangi beban penyakit diabetes di masa depan. Klasifikasi dapat dilakukan dengan algoritma Random Forest. Data tentang penyakit diabetes diolah oleh penulis melalui metode Random Forest. Hasil evaluasi model menunjukkan bahwa algoritma Forest Random dapat mengklasifikasikan risiko diabetes dengan akurat. Dari seleksi rangking variabel, ditemukan bahwa ada 300 pasien dengan risiko diabetes rendah dan 20 pasien dengan risiko diabetes tinggi. Kami juga menemukan bahwa model biasanya dapat mengklasifikasikan data dengan benar dengan nilai akurasi sebesar 98%, dan AUC dikategorikan sebagai “Excellent Classification" karena kemampuan untuk membedakan kelas positif dan negatif dengan nilai Area Under Curve (AUC) 100%.
References
N. Nurussakinah and M. Faisal, “Klasifikasi Penyakit Diabetes Menggunakan Algoritma Decision Tree,” J. Inform., vol. 10, no. 2, pp. 143–149, Oct. 2023, doi: 10.31294/inf.v10i2.15989.
F. Sistem Informasi STMIK Nusa Mandiri Jakarta Jl Damai No, W. Jati Barat, and J. Selatan, “PERBANDINGAN ALGORITMA KLASIFIKASI DATA MINING MODEL C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT DIABETES,” J. Techno Nusa Mandiri, vol. XIII, no. 1, p. 50, 2016.
D. Nurul Anisa, “KLASIFIKASI PENYAKIT DIABETES MENGGUNAKAN ALGORITMA NAIVE BAYES,” Din. Inform., vol. 14, no. 1, 2022.
U. M. Kudus, J. Ganesha, and P. Kudus, “Fida Maisa Hana.”
A. K. Wahyudi, N. Azizah, and H. Saputro, “DATA MINING KLASIFIKASI KEPRIBADIAN SISWA SMP NEGERI 5 JEPARA MENGGUNAKAN METODE DECISION TREE ALGORITMA C4.5.” [Online]. Available: https://journal.unisnu.ac.id/JISTER/
N. Nurdiana and A. Algifari, “STUDI KOMPARASI ALGORITMA ID3 DAN ALGORITMA NAIVE BAYES UNTUK KLASIFIKASI PENYAKIT DIABETES MELLITUS”.
Arifin Yusuf Permana, Hari Noer Fazri, M.Fakhrizal Nur Athoilah, Mohammad Robi, and Ricky Firmansyah, “Penerapan Data Mining Dalam Analisis Prediksi Kanker Paru Menggunakan Algoritma Random Forest,” J. Ilm. Tek. Inform. dan Komun., vol. 3, no. 2, pp. 27–41, Jun. 2023, doi: 10.55606/juitik.v3i2.472.
A. Setiawan, R. Febrio Waleska, M. Adji Purnama, and L. Efrizoni, “KOMPARASI ALGORITMA K-NEAREST NEIGHBOR (K-NN), SUPPORTVECTOR MACHINE (SVM), DAN DECISION TREE DALAM KLASIFIKASIPENYAKIT STROKE,” 2024. [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jireISSN.2620-6900
M. Asjad Adna Jihad and W. Astuti, “Analisis Sentimen Terhadap Ulasan Film Menggunakan Algoritma Random Forest.”
M. Nazar Yuniar, “Klasifikasi Kualitas Air Bersih Menggunakan Metode Naïve baiyes,” J. Sains dan Teknol., vol. 5, no. 1, pp. 243–246, 2023, doi: 10.55338/saintek.v5i1.1383.
M. Yudhi Putra and D. Ismiyana Putri, “Pemanfaatan Algoritma Naïve Bayes dan K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Kelas XI.”
S. Dini Widianti et al., “Jurnal Informatika dan Rekayasa Perangkat Lunak Menentukan Nilai Gizi pada Balita Menggunakan Algoritma Support Vektor Machine (SVM) di Posyandu Kelurahan Ciherang”.
M. Salabil and N. L. Azizah, “Implementation of Data Mining in Diabetes Disease Prediction Using Random Forest and XGBoost Methods [Implementasi Data Mining Dalam Melakukan Prediksi Penyakit Diabetes Menggunakan Metode Random Forest Dan Xgboost].”
V. Wanika Siburian, J. Sistem Komputer Universitas Sriwijaya Palembang, and I. Elvina Mulyana, Prediksi Harga Ponsel Menggunakan Metode Random Forest. 2018.
N. Giarsyani, “Komparasi Algoritma Machine Learning dan Deep Learning untuk Named Entity Recognition?: Studi Kasus Data Kebencanaan,” Indones. J. Appl. Informatics, vol. 4, no. 2, p. 138, 2020, doi: 10.20961/ijai.v4i2.41317.
“Perbandingan Akurasi Metode Naïve Bayes Classifier dan Random Forest Menggunakan Reduksi Dimensi Linear Discriminant Analysis (LDA) untuk Diagnosisi Penyakit Diabetes”.
F. Pratama, Z. Hadryan Nst, Z. Khairi, and L. Efrizoni, “PERBANDINGAN ALGORITMA RANDOM FOREST DAN K-NEAREST NEIGHBOR DALAM KLASIFIKASI KESEHATAN MENTAL MAHASISWA.”
H. Yun, “Prediction model of algal blooms using logistic regression and confusion matrix,” Int. J. Electr. Comput. Eng., vol. 11, no. 3, pp. 2407–2413, Jun. 2021, doi: 10.11591/ijece.v11i3.pp2407-2413.
S. Dewi, “KOMPARASI 5 METODE ALGORITMA KLASIFIKASI DATA MINING PADA PREDIKSI KEBERHASILAN PEMASARAN PRODUK LAYANAN PERBANKAN”.
L. Hermawanti, “PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA.”
Published
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
