Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbor (KNN) untuk Mengetahui Keakuratan Diagnosa Penyakit Diabetes

Authors

  • Qonitah Alia Puteri Program Studi Sistem Informasi, Universitas Dinamika https://orcid.org/0009-0003-9795-8089
  • Tri Sagirani Program Studi Sistem Informasi, Universitas Dinamika
  • Julianto Lemantara Program Studi Sistem Informasi, Universitas Dinamika

DOI:

https://doi.org/10.25077/TEKNOSI.v9i3.2023.247-254

Keywords:

Diabetes, Naïve Bayes, K-Nearest Neighbor (KNN)

Abstract

Diabetes adalah gangguan metabolisme kronis di mana pankreas tidak bisa menciptakan insulin yang cukup ataupun tubuh tidak berhasil menggunakan insulin yang telah dihasilkan. Penyebab yang dapat menimbulkan terjadinya penyakit diabetes berawal dari  banyak antara lain penyebab genetik dan lingkungan. Diabetes tidak hanya menyebabkan kerugian ekonomi bagi pasien karena biaya pengobatan tetapi juga memperpendek umur peluang untuk hidup sebesar 5–10 tahun. Akibat lainnya adalah jika  tidak ada upaya untuk mengontrol dan mencegah, diabetes dapat semakin memperburuk penderita karena dapat menimbulkan komplikasi yang berat. Berdasarkan permasalahan tersebut dapat dilakukan prediksi penyakit diabetes untuk  dapat membantu tenaga medis mengetahu lebih dini kondisi pasien. Algoritma Naive Bayes dan K-Nearest neighbor (KNN) bisa digunakan membantu prediksi  penyakit diabetes dengan menggunakan software RapidMiner dan Python. Hasil penelitian ini dievaluasi dengan Confusion Matrix serta Nilai AUC. Hasil metode Naïve Bayes adalah 77% dengan nilai AUC 0.83 sedangkan metode K-nearest neighbor (KNN=3) adalah 71% dengan nilai AUC 0.75, KNN=5 adalah 69% dengan AUC 0.76, dan KNN=7 adalah 68% dengan AUC 0.75 sehingga dapat disimpulkan bahwa algoritma naïve bayes lebih unggul dibandingkan dengan KNN, meski pada penelitian ini untuk algoritma KNN menggunakan K=3, K=5 dan K=7, lalu untuk untuk yang KNN dari ketiga K yang digunakan dari segi confusion matrix KNN=3 lebih unggul sedangkan dari nilai AUC yaitu KNN=5.

References

[1] N. Nurdiana and A. Algifari, “Studi Komparasi Algoritma Id3 Dan Algoritma Naive Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,†INFOTECH J., vol. 6, no. 2, pp. 18–23, 2020, [Online]. Available: https://ejournal.unma.ac.id/index.php/infotech/article/view/816 [2] Y. Sinatrya and L. A. Wulandhari, “Deteksi Diabetes Melitus Untuk Wanita Dan Penyusunan Menu Sehat Dengan Pendekatan Adaptive Neuro Fuzzy Inference System (Anfis) Dan Algoritma Genetika (Ga),†J. Tek. Inform., vol. 12, no. 1, pp. 39–58, 2019, doi: 10.15408/jti.v12i1.9578. [3] F. Fitriyani, “Prediksi Diabetes Menggunakan Algoritma Naive Bayes dan Greedy Forward Selection,†J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 61–69, 2021, doi: 10.25077/teknosi.v7i2.2021.61-69. [4] D. A. NAWANGNUGRAENI, “Sistem Pakar Berbasis Android untuk Diagnosis Diabetes Melitus dengan Metode Forward Chaining,†Komputika J. Sist. Komput., vol. 10, no. 1, pp. 19–27, 2021, doi: 10.34010/komputika.v10i1.3553. [5] M. Yusa, E. Utami, and E. T. Luthfi, “Analisis Komparatif Evaluasi Performa Algoritma Klasifikasi pada Readmisi Pasien Diabetes,†J. Buana Inform., vol. 7, no. 4, pp. 293–302, 2016, doi: 10.24002/jbi.v7i4.770. [6] S. Rokhanah, A. Hermawan, and D. Avianto, “Pengaruh Principal Component Analysis Pada Naïve Bayes dan K-Nearest Neighbor Untuk Prediksi Dini Diabetes Melitus Menggunakan Rapidminer,†EVOLUSI J. Sains dan Manaj., vol. 11, no. 1, 2023, doi: 10.31294/evolusi.v11i1.14728. [7] R. Oktaria, M. Komarudin, and M. A. Muda, “Analisa Klasifikasi Kualitas Mahasiswa Lulusan Berdasarkan Jalur Penerimaan Menggunakan Algoritma C4.5 (Studi Kasus: Universitas Lampung),†J. Tek. Inform., vol. 12, no. 2, pp. 183–192, 2019, doi: 10.15408/jti.v12i2.11171. [8] B. D. Meilani, N. Susanti, J. T. Informatika, F. T. Informasi, I. Teknologi, and A. Tama, “Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÃVE BAYES,†J. Sist. Inf. Univ. Suryadarma, vol. 3, no. 2, pp. 182–189, 2014, doi: 10.35968/jsi.v3i2.66. [9] J. I. Marzuki, K. Mataram, and N. T. Bar, “Komparasi Akurasi Metode Correlated Naive Bayes Classifier Dan Naive Bayes Classifier Untuk Diagnosis Penyakit Diabetes Hairani , Gibran Satya Nugraha , Mokhammad Nurkholis Abdillah , Muhammad Innuddin InfoTekJar ( Jurnal Nasional Informatika dan Teknolog,†InfoTekJar (Jurnal Nas. Inform. dan Teknol. Jaringan), vol. 3, no. 1, pp. 6–11, 2018. [10] F. Yunita, “Sistem Klasifikasi Penyakit Diabetes Mellitus Menggunakan Metode K-Nearest Neighbor ( K-NN ),†Bappeda, vol. 2, pp. 223–230, 2016. [11] Nurahman and Prihandoko, “Perbandingan Hasil Analisis Teknik Data Mining ‘Metode Decision Tree, Naive Bayes, Smo Dan Part’ Untuk Mendiagnosa Penyakit Diabetes Mellitus,†J. Ilm. Bid. Teknol. Inf. dan Komun., vol. Vol. 4 No., 2019, [Online]. Available: https://ejournal.unitomo.ac.id/index.php/inform/article/view/1403/pdf [12] D. Setyawan and A. Suradi, “Implementasi Web Service Dan Analisis Kinerja Algoritma Klasifikasi Data Mining Untuk Memprediksi Diabetes Mellitus,†Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 8, no. 2, p. 701, 2017, doi: 10.24176/simet.v8i2.1584. [13] Y. N. Dewi and F. A. Sariasih, “Metode Sample Bootstrapping Untuk Meningkatkan Performa Algoritma Naive Bayes Pada Citra Tunggal Pap Smear,†J. Tek. Inform., vol. 12, no. 1, pp. 1–10, 2019, doi: 10.15408/jti.v12i1.11031. [14] L. N. Rani, “Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit,†INOVTEK Polbeng - Seri Inform., vol. 1, no. 2, p. 126, 2016, doi: 10.35314/isi.v1i2.131. [15] E. Luthfi and A. W. Wijayanto, “Analisis perbandingan metode hirearchical , k-means , dan k-medoids clustering dalam pengelompokkan indeks pembangunan manusia Indonesia Comparative analysis of hirearchical , k-means , and k-medoids clustering and methods in grouping Indonesia ’ s human,†Inovasi, vol. 17, no. 4, pp. 770–782, 2021. [16] S. Handoko, F. Fauziah, and E. T. E. Handayani, “Implementasi Data Mining Untuk Menentukan Tingkat Penjualan Paket Data Telkomsel Menggunakan Metode K-Means Clustering,†J. Ilm. Teknol. dan Rekayasa, vol. 25, no. 1, pp. 76–88, 2020, doi: 10.35760/tr.2020.v25i1.2677. [17] A. Franseda, W. Kurniawan, S. Anggraeni, and W. Gata, “Integrasi Metode Decision Tree dan SMOTE untuk Klasifikasi Data Kecelakaan Lalu Lintas,†J. Sist. dan Teknol. Inf., vol. 8, no. 3, p. 282, 2020, doi: 10.26418/justin.v8i3.40982. [18] P. N. Harahap and S. Sulindawaty, “Implementasi Data Mining Dalam Memprediksi Transaksi Penjualan Menggunakan Algoritma Apriori (Studi Kasus PT.Arma Anugerah Abadi Cabang Sei Rampah),†Matics, vol. 11, no. 2, p. 46, 2020, doi: 10.18860/mat.v11i2.7821. [19] Mardalius, “Pengelompokan Data Penjualan Aksesoris Menggunakan Algoritma K-Means,†Jurteksi, vol. IV, no. 2, pp. 401–411, 2018. [20] N. Buslim, L. K. Oh, M. H. Athallah Hardy, and Y. Wijaya, “Comparative Analysis of KNN, Naïve Bayes and SVM Algorithms for Movie Genres Classification Based on Synopsis.,†J. Tek. Inform., vol. 15, no. 2, pp. 169–177, 2022, doi: 10.15408/jti.v15i2.29302. [21] E. Fitriani, “Perbandingan Algoritma C4.5 Dan Naïve Bayes Untuk Menentukan Kelayakan Penerima Bantuan Program Keluarga Harapan,†Sistemasi, vol. 9, no. 1, p. 103, 2020, doi: 10.32520/stmsi.v9i1.596. [22] M. Sulistiyono, Y. Pristyanto, S. Adi, and G. Gumelar, “Implementasi Algoritma Synthetic Minority Over-Sampling Technique untuk Menangani Ketidakseimbangan Kelas pada Dataset Klasifikasi,†Sistemasi, vol. 10, no. 2, p. 445, 2021, doi: 10.32520/stmsi.v10i2.1303. [23] I. Moment, “Klasifikasi Daun Padi dengan K-Nearest Neighbor Berdasarkan Fitur Warna dan Invariant Moment Rice Classification with K-Nearest Neighbor based on Color Feature,†vol. 12, no. September, pp. 660–674, 2023.

Downloads

Submitted

2023-11-01

Accepted

2023-12-28

Published

2023-12-31

How to Cite

[1]
Q. A. Puteri, T. Sagirani, and J. Lemantara, “Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbor (KNN) untuk Mengetahui Keakuratan Diagnosa Penyakit Diabetes”, TEKNOSI, vol. 9, no. 3, pp. 247–254, Dec. 2023.

Issue

Vol. 9 No. 3 (2023): Desember 2023

Section

Articles

License

Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.

Kami menyatakan bahwa:

  1. Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
  2. Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
  3. Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.

 Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.

Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.

Hak / Syarat dan Ketentuan yang dipertahankan :

  1. Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
  2. Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya  ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
  3. Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.

Similar Articles

You may also start an advanced similarity search for this article.