Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbors untuk Klasifikasi Metabolik Sindrom
Comparison of Naive Bayes and K-Nearest Neighbors Algorithms for Metabolic Syndrome Classification
DOI:
https://doi.org/10.57152/malcom.v4i2.1249Keywords:
Klasifikasi, K-Nearest Neighbors, Naïve Bayes, Perbandingan, Sindrom MetabolikAbstract
Kondisi medis yang dikenal sebagai sindrom metabolik berpotensi meningkatkan kemungkinan penyakit jantung koroner, stroke, serangan jantung dan diabetes tipe 2. Sindrom metabolik juga dapat menyebabkan gula darah tinggi, kadar kolesterol rendah, obesitas secara bersamaan dan kelebihan lemak di daerah pinggang. Jika kombinasi dari ketiga kondisi ini terjadi maka dapat dikatakan penyakit ini sebagai sindrom metabolik. Selain itu, sindrom metabolik juga dikaitkan dengan resistensi insulin, artinya dimana sel-sel tubuh tidak merespon baik terhadap efek insulin yang menyebabkan kadar gula darah tinggi karena gula tidak terserap ke dalam sel dengan baik. Sindrom metabolik tumbuh seiring meningkatnya obesitas di Asia, dengan perkiraan prevalensi yang terus naik. Ini berpotensi meningkatkan kasus penyakit kardiovaskular dan risiko kematian. Oleh karena itu, perlu dikembangkan model untuk mendiagnosis sindrom metabolik. Penelitian ini bertujuan untuk membandingkan kinerja algoritma klasifikasi utama, yaitu Naïve Bayes (NB) dan K-Nearest Neighbors (KNN) dalam mendeteksi sindrom metabolik. Hasil dari penelitian ini menunjukkan bahwa penggunaan algoritma Naïve Bayes menghasilkan akurasi sebesar 79%, sedangkan akurasi tertinggi dari algoritma K-Nearest Neighbors (KNN) adalah 82%. Kesimpulannya, dari hasil penelitian ini menunjukkan bahwa algoritma K-NN dengan pembagian data 50:50 lebih efektif dalam memprediksi dan mengklasifikasikan sindrom metabolik.
References
U. Q. Ayunin, E. Retnowati, and J. H. Prayitno, “Prevalensi Komponen Sindrom Metabolik Pada Pegawai Bumn PT Wijaya Karya Divisi IV Surabaya,” Ghidza J. Gizi dan Kesehat., vol. 3, no. 1, p. 7, 2019, doi: 10.22487/j26227622.2019.v3.i1.12117.
D. P. R. Rahma Listyandini, Fenti Dewi Pertiwi, “Asupan Makan, Stress, dan Aktivitas Fisik dengan Sindrom Metabolik pada Pekerja Di Jakarta,” J. Kaji. dan Pengemb. Kesehat. Masy., vol. 01, no. 01, pp. 19–32, 2020, [Online]. Available: https://jurnal.umj.ac.id/index.php/AN-NUR
R. Christijani, “Penentuan Diagnosis Sindrom Metabolik Berdasarkan Penilaian Skor Sindrom Metabolik Dan Ncep Atp-Iii Pada Remaja [Penelitian Di Beberapa Sma Di Kota Bogor],” Penelit. Gizi dan Makanan (The J. Nutr. Food Res., vol. 42, no. 1, pp. 21–28, 2019, doi: 10.22435/pgm.v42i1.2418.
Septiyanti, N. Jafar, and Hendrayati, “Hubungan Pola Konsumsi Sayur dan Buah dengan Kejadian Sindrom Metabolik pada Pasien Rawat Jalan di RSUD Labuang Baji Kota Makassar,” Wind. Public Heal. J., vol. 1, no. 1, pp. 38–47, 2020, doi: 10.33096/woph.vi.40.
A. T. Abeng, J. P. Jasmani, and R. Fakultas, “Faktor Risiko Aktifitas Fisik dan Pola Makan Pada Sindrom Metabolik Di Kecamatan Jekan Raya Kota Palangka Raya,” J. Kesehat., pp. 1–5, 2019.
I. L. F. Amien, W. Astuti, and K. M. Lhaksamana, “Perbandingan Metode Naïve Bayes dan KNN (K-Nearest Neighbors) dalam Klasifikasi Penyakit Diabetes,” e-Proceeding Eng., vol. 10, no. 2, pp. 1911–1920, 2023.
S. Sahar, “Analisis Perbandingan Metode K-Nearest Neighbors dan Naïve Bayes Clasiffier Pada Dataset Penyakit Jantung,” Indones. J. Data Sci., vol. 1, no. 3, pp. 79–86, 2020, doi: 10.33096/ijodas.v1i3.20.
A. Muzakir, A. Desiani, and A. Amran, “Klasifikasi Penyakit Kanker Prostat Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbors,” Komputika J. Sist. Komput., vol. 12, no. 1, pp. 73–79, 2023, doi: 10.34010/komputika.v12i1.9629.
Ericha Apriliyani and Y. Salim, “Analisis performa metode klasifikasi Naïve Bayes Classifier pada Unbalanced Dataset,” Indones. J. Data Sci., vol. 3, no. 2, pp. 47–54, 2022, doi: 10.56705/ijodas.v3i2.45.
A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.
G. Abdurrahman, “Klasifikasi Penyakit Diabetes Melitus Menggunakan Adaboost Classifier,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 7, no. 1, pp. 59–66, 2022, doi: 10.32528/justindo.v7i1.4949.
W. Ramdhani, D. Bona, R. B. Musyaffa, and C. Rozikin, “Klasifikasi Penyakit Kangker Payudara Menggunakan Algoritma K-Nearest Neighbors,” J. Ilm. Wahana Pendidik., vol. 8, no. 12, pp. 445–452, 2022.
wahyono, “Improving the Speed of K-NN Algorithm for Vehicle Classification,” Tehno.Com, vol. 19, no. 2, pp. 1–7, 2020.
T. Arifin and D. Ariesta, “Prediksi Penyakit Ginjal Kronis Menggunakan Algoritma Naive Bayes Classifier Berbasis Particle Swarm Optimization,” J. Tekno Insentif, vol. 13, no. 1, pp. 26–30, 2019, doi: 10.36787/jti.v13i1.97.
K. Kartarina, N. K. Sriwinarti, and N. luh P. Juniarti, “Analisis Metode K-Nearest Neighbors (K-NN) Dan Naive Bayes Dalam Memprediksi Kelulusan Mahasiswa,” JTIM J. Teknol. Inf. dan Multimed., vol. 3, no. 2, pp. 107–113, 2021, doi: 10.35746/jtim.v3i2.159.
A. Noviriandini, P. Handayani, and Syahriani, “Prediksi Penyakit Liver Dengan Menggunakan Metode,” Pros. TAU SNAR-TEK Semin. Nas. Rekayasa dan Teknol., no. November, pp. 75–80, 2019.
M. Habibi and P. W. Cahyo, “Journal Classification Based on Abstract Using Cosine Similarity and Support Vector Machine,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 4, no. 3, p. 48, 2020, doi: 10.14421/jiska.2020.43-06.
F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.
Adhitya Karel Maulaya and Junadhi, “Analisis Sentimen Menggunakan Support Vector Machine Masyarakat Indonesia Di Twitter Terkait Bjorka,” J. CoSciTech (Computer Sci. Inf. Technol., vol. 3, no. 3, pp. 495–500, 2022, doi: 10.37859/coscitech.v3i3.4358.
Gde Agung Brahmana Suryanegara, Adiwijaya, and Mahendra Dwifebri Purbolaksono, “Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 114–122, 2021, doi: 10.29207/resti.v5i1.2880.
B. Prasojo and E. Haryatmi, “Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 79–89, 2021, doi: 10.25077/teknosi.v7i2.2021.79-89.
A. E. Satriatama et al., “Analisis Klaster Data Pasien Diabetes untuk Identifikasi Pola dan Karakteristik Pasien,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 5, no. 3, pp. 172–182, 2023, doi: 10.47233/jteksis.v5i3.828.
M. D. Purbolaksono, M. Irvan Tantowi, A. Imam Hidayat, and A. Adiwijaya, “Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, pp. 393–399, 2021, doi: 10.29207/resti.v5i2.3008.
V. Ariyani, P. Putri, A. B. Prasetijo, and D. Eridani, “Perbandingan Kinerja Algoritme Naïve Bayes Dan K-Nearest Neighbors (Knn) Untuk Prediksi Harga Rumah,” J. Ilm. Tek. Elektro, no. 4, 2022, [Online]. Available: https://ejournal.undip.ac.id/index.php/transmisi
M. M. Baharuddin, H. Azis, and T. Hasanuddin, “Analisis Performa Metode K-Nearest Neighbors Untuk Identifikasi Jenis Kaca,” Ilk. J. Ilm., vol. 11, no. 3, pp. 269–274, 2019, doi: 10.33096/ilkom.v11i3.489.269-274.
A. D. Adhi Putra, “Analisis Sentimen pada Ulasan pengguna Aplikasi Bibit Dan Bareksa dengan Algoritma KNN,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 2, pp. 636–646, 2021, doi: 10.35957/jatisi.v8i2.962.
R. Siringoringo, “Klasifikasi Data Tidak Seimbang Menggunakan Algoritma SMOTE dan k-Nearest Neighbors,” J. ISD, vol. 3, no. 1, pp. 44–49, 2018.
D. Cahyanti, A. Rahmayani, and S. A. Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” Indones. J. Data Sci., vol. 1, no. 2, pp. 39–43, 2020, doi: 10.33096/ijodas.v1i2.13.
S. Cumel, David Zamri, Rahmaddeni, “Perbandingan Metode Data Mining untuk Prediksi Banjir Dengan Algoritma Naïve Bayes dan KNN,” SENTIMAS Semin. Nas. Penelit. dan …, pp. 40–48, 2022, [Online]. Available: https://journal.irpi.or.id/index.php/sentimas/article/view/353%0Ahttps://journal.irpi.or.id/index.php/sentimas/article/download/353/132
D. Duei Putri, G. F. Nama, and W. E. Sulistiono, “Analisis Sentimen Kinerja Dewan Perwakilan Rakyat (DPR) Pada Twitter Menggunakan Metode Naive Bayes Classifier,” J. Inform. dan Tek. Elektro Terap., vol. 10, no. 1, pp. 34–40, 2022, doi: 10.23960/jitet.v10i1.2262.
N. Indriyani, E. Ali, U. Rio, and R. Rahmaddeni, “Menentukan Kualitas Pelayanan Maskapai Penerbangan Domestik Dengan Menggunakan Metode Naïve Bayes,” SATIN - Sains dan Teknol. Inf., vol. 6, no. 1, pp. 37–44, 2020, doi: 10.33372/stn.v6i1.605.
