Seleksi Fitur Klasifikasi Penyakit Diabetes Menggunakan Particle Swarm Optimization (PSO) Pada Algoritma Naive Bayes

Seleksi Fitur Klasifikasi Penyakit Diabetes Menggunakan Particle Swarm Optimization (PSO) Pada Algoritma Naive Bayes

• By Maulidah, Nurlaelatul; Abdilah, Ari; Nurlelah, Elah; Gata, Windu; Hasan, Fuad Nur;
• Jurnal Nasional Terakreditasi
• 291
• 40-48

Diabetes adalah penyakit kronis serius yang terjadi karena pankreas tidak menghasilkan cukup insulin (hormon yang mengatur gula darah atau glukosa), atau ketika tubuh tidak dapat secara efektif menggunakan insulin yang dihasilkannya.Data WHO menunjukkan bahwa angka kejadian penyakit tidak menular pada tahun 2004 yang mencapai 48,30% sedikit lebih besar dari angka kejadian penyakit menular, yaitu sebesar 47,50% [1]. Menurut kementrian kesehatan pada tahun 2012 penyakit diabetes menyebabkan 1,5 juta kematian. Sebagian masyarakat indonesia, penyakit ini lebih dikenal dengan nama kencing manis atau gula darah. Penelitian ini dikembangkan melalui pengolahan data sekunder dari database kesehatan Pima Indians Diabetes Dataset yang diambil dari dataset Kaggle dan dapat diakses melalui https://www.kaggle.com/uciml/pima-indians-diabetes-database. Dimana datanya sendiri terdiri dari 768 record dengan beberapa variabel prediktor medis (Pregnancies, Glucose, Blood Pressure, Skin Thickness, Insulin, BMI, Diabetes Pedigree Function, Age dan Outcome). Kemudian data tersebut nantinya diolah menggunakan seleksi fitur Particle Swarm Optimization (PSO) untuk meningkatkan nilai akurasi dan algoritma Naive Bayes untuk mengetahui hasil akurasi dari diagnosis penyakit diabetes. Dari hasil penelitian yang telah dilakukan untuk akurasi algoritma klasifikasi naive bayes sebesar 74,61%,sedangkan untuk akurasi algoritma klasifikasi dengan Particle Swarm Optimization sebesar 77,34% dengan selisih akurasi sebesar 2,73%. Sehingga dapat disimpulkan bahwa penerapan teknik optimasi Particle Swarm Optimization mampu menyeleksi atribut pada Algoritma Naive Bayes, dan dapat menghasilkan tingkat akurasi diagnosis penyakit diabetes yang lebih baik dibandingkan hanya menggunakan metode individual yaitu algoritma naive bayes.

• Katakunci Diabetes, Particle Swarm Optimization, Naive Bayes Algorithm
• URL http://
• Penerbit ELKOM (JURNAL ELEKTRONIKA DAN KOMPUTER),

REFERENSI

KEMENKES RI, “Hari Diabetes Sedunia Tahun 2018,” Pus. Data dan Inf. Kementrian Kesehat. RI, pp. 1–8, 2019. [2] A. Kantono, I. Y. Purbasari, and F. T. Anggraeny, “Penerapan pruning pada algoritma c5.0 untuk mendiagnosis penyakit diabetes melitus 1,” no. September, pp. 184–189, 2019. [3] E. Y. Darmayanti, D. S. Budi, and A. B. Fitra, “Particle Swarm Optimization Untuk Optimasi Bobot Extreme Learning Machine Dalam Memprediksi Produksi Gula Kristal Putih Pabrik Gula,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 5096–5104, 2018. [4] Bustami, “Penerapan Algoritma Naive Bayes Untuk Nasabah Asuransi,” J. Inform., vol. 8, no. 1, pp. 884–898, 2014