Optimasi Algoritma Klasifikasi Biner dengan Tuning Parameter pada Penyakit Diabetes Mellitus

Abstract

Diabetes Melitus atau yang biasanya disebut dengan penyakit kencing manis merupakan penyakit yang terjadi akibat peningkatan kadar glukosa di dalam darah terlalu tinggi. Data World Health Organization (WHO), menunjukkan Indonesia menjadi negara keempat di dunia dengan angka penderita diabetes terbanyak dan mengalami peningkatan hingga 14 juta orang. Peningkatan kasus penyakit Diabetes melitus ini memerlukan suatu upaya penanggulangan dan pencegahan dini terhadap penyakit Diabetes melitus. Dalam penelitian ini akan dilakukan optimasi algoritma klasifikasi biner pada penyakit diabetes melitus mulai dari observasi, visualisasi, statistic deskriptif dataset, pre-processing dataset, penentuan baseline model, tuning parameter model dan finalisasi model. Penentuan baseline model diperoleh dengan mencari nilai akurasi tertinggi dari 3 algoritma linear (Logistic Regression, Linear Discriminant Analysis, K-nearest neighbor) atau 3 algoritma non- linear (Decision Tree, Naïve Bayes, Support Vector Machine) berdasarkan tuning parameternya dan yang menghasilkan akurasi optimal adalah Algoritma Support Vector Machine, sehingga dijadikan sebagai final model dengan parameter C sebesar 47 dengan kernel rbf dihasilkan rerata akurasi sebesar 77.3% pada data training dan 74.5% pada data testing, sementara berdasarkan confusion matrix dihasilkan precision 78%, recall 83%, f1-Score 81%, error rate 25%.

Analisis Prediksi Resiko Diabetes Tahap Awal Menggunakan Algoritma Naive Bayes

“…Melakukan pengujian beberapa algoritma sangat membantu dalam pemilihan model terbaik, akurasi kinerja algoritma terbaik akan dipilih nantinya sebagai model prediksi. Pada penelitian ini Naive Bayes akan dipilih sebagai algoritma pengklasifikasi karena memiliki beberapa kelebihan diantaranya yaitu cepat dalam proses perhitungan, algoritma sederhana yang memiliki tingkat akurasi yang tinggi (Wijanarto & Puspitasari, 2019). Sedangkan dataset yang dijadikan sebagai objek penelitian yaitu dataset Early Stage Diabetes Risk Prediction merupakan dataset terbuka yang bersumber dari UCI Machine Learning (Wijanarto & Puspitasari, 2019).…”

“…Walaupun kelebihan metode Naïve Bayes sangat sederhana, efisien dan hanya memerlukan komputasi matematika yang tidak terlalu kompleks, namun kelemahan teknik ini yaitu memerlukan pengetahuan awal untuk mengambil suatu keputusan, tingkat keberhasilan metode ini sangat tergantung pada pengetahuan awal yang diberikan (Wijanarto & Puspitasari, 2019).…”

Pendekatan Data Science untuk Mengukur Empati Masyarakat terhadap Pandemi Menggunakan Analisis Sentimen dan Seleksi Fitur

“…Teknik klasifikasi pada SVM dilakukan dengan membentuk hyperplane atau garis pembatas (decision boundary). Hyperplane ini bertujuan untuk memisahkan satu kelas dengan kelas lain [24]. Prinsip dasar Support Vector Machine adalah linier classifier, yaitu dapat memisahkan data linear.…”