Prediksi Penyakit Diabetes Melitus Tipe 2 Menggunakan Algoritma K-Nearest Neighbor (K-NN)
Prediction of Type 2 Diabetes Mellitus Using The K-Nearest Neighbor (K-NN) Algorithm
DOI:
https://doi.org/10.57152/malcom.v4i3.1268Keywords:
Diabetes Melitus Tipe 2, K-NN, Manhattan Distance, MinMax Normalization, Stratified 5-fold CVAbstract
Diabetes Melitus (DM) merupakan salah satu Penyakit Tidak Menular (PTM) yang dikenal dengan tingginya kadar gula dalam darah. International Diabetes Federation (IDF) memprediksi di tahun 2045, penyakit DM akan mengalami peningkatan menjadi 629 juta penduduk. Pada era modern saat ini, pola gaya hidup menjadi hal yang harus diperhatikan karena beriringan dengan berkembangnya teknologi menjadi mudah dan cepat. Pola gaya hidup yang buruk terus-menerus dapat berpotensi untuk terkena penyakit DM Tipe 2. Berbagai upaya dilakukan untuk menekan angka pertumbuhan penyakit ini salah satunya melakukan penelitian untuk membuat predisi terhadap seseorang menggunakan berbagai metode seperti metode klasifikasi K-NN. Tujuan dari penelitian ini adalah mengimplementasikan dan membangun sebuah permodelan. Dataset yang digunakan berasal dari Puskesmas Mlati II Kecamatan Mlati, Kabupaten Sleman, Provinsi Daerah Istimewa Yogyakarta. Dalam membangun sebuah model prediksi, dataset dipreprocessing menggunakan MinMax Normalization, pembagian train set dan test set menggunakan Stratified 5-fold CV. Adapun parameter yang digunakan dari K-NN adalah manhattan distance dan nilai n_neighbors = 13. Dengan menggunakan evaluasi akurasi, presisi, recall, dan f1-score, masing-masing memberikan hasil yaitu 88%, 83%, 87%, dan 85%.
References
Gusti Restuning Ramadhan Sabela, “Penerapan Edukasi Tentang DM Terhadap Pengetahuan Kesehatan di Dusun Mloso Desa Kedungbanjar,” 2020, Diakses: 12 Februari 2023. [Daring]. Tersedia pada: http://repository.unair.ac.id/id/eprint/110286
N. R. Dzakiyullah, M. A. Burhanuddin, R. R. R. Ikram, K. A. Ghani, dan W. Setyonugroho, “Machine learning methods for diabetes prediction,” International Journal of Innovative Technology and Exploring Engineering, vol. 8, no. 12, hlm. 2199–2205, Okt 2019, doi: 10.35940/ijitee.L2973.1081219.
“Terapi Pada DM Tipe 1,” Jl. Prof. DR. Ir. Sumatri Brojonegoro No.1, Gedong Meneng, Kec. Rajabasa, Kota Bandar Lampung, Lampung, Indonesia 35145. [Daring]. Tersedia pada: http://jurnal.globalhealthsciencegroup.com/index.php/JPPP
W. Dwi Prasetya dan B. Sujatmiko, “Rancang Bangun Aplikasi dengan Perbandingan Metode K-Nearest Neighbor (K-NN) dan Naive Bayes dalam Klasifikasi Penderita Penyakit Diabetes,” Journal of Informatics and Computer Science, vol. 03, 2022.
A. Panesar, Machine Learning and AI for Healthcare. Apress, 2021. doi: 10.1007/978-1-4842-6537-6.
J. Xin dan S. Chen, “Bus Dwell Time Prediction Based on K-NN,” dalam Procedia Engineering, Elsevier Ltd, 2016, hlm. 283–288. doi: 10.1016/j.proeng.2016.01.260.
J. Mantik dkk., “Implementation of K-NN algorithm in classifying diabetic ulcers in patients with diabetes mellitus,” Online, 2023.
J. J. Khanam dan S. Y. Foo, “A comparison of machine learning algorithms for diabetes prediction,” ICT Express, vol. 7, no. 4, hlm. 432–439, Des 2021, doi: 10.1016/j.icte.2021.02.004.
F. Alaa Khaleel dan A. M. Al-Bakry, “Diagnosis of diabetes using machine learning algorithms,” Mater Today Proc, Jul 2021, doi: 10.1016/j.matpr.2021.07.196.
R. Putra Kurniadi, R. Rohmat Saedudin, dan V. P. Widartha, “Perbandingan Akurasi Algoritma K-Nearest Neighbor dan Logistic Regression untuk Klasifikasi Penyakit Diabetes.”
R. Rizki, R. Athallah, I. Cholissodin, dan P. P. Adikara, “Prediksi Potensi Pengidap Penyakit Diabetes berdasarkan Faktor Risiko Menggunakan Algoritme Kernel K-Nearest Neighbor,” 2022. [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id.
A. M. Syafar, M. Syawal, I. Fitrah Baharuddin, M. Zainal, N. Fuadi, dan I. Artikel, “Peramalan Penderita Diabetes Menggunakan Algoritma K-Nearest Neighbor,” vol. 1, no. 2, 2021, doi: 10.31850/jsilog.v1i3.
A. Olusogo Julius, A. Olusola Ayokunle, dan F. Olawale Ibrahim, “Early Diabetic Risk Prediction using Machine Learning Classification Techniques,” 2021. [Daring]. Tersedia pada: www.ijisrt.com.
U. I. Lestari, A. Y. Nadhiroh, dan C. Novia, “Penerapan Metode K-Nearest Neighbor Untuk Sistem Pendukung Keputusan Identifikasi Penyakit Diabetes Melitus,” vol. 8, no. 4, 2021, [Daring]. Tersedia pada: http://jurnal.mdp.ac.id.
M. G. Pradana, P. H. Saputro, dan D. P. Wijaya, “Komparasi Metode Support Vector Machine dan Naive Bayes dalam Klasifikasi Peluang Penyakit Serangan Jantung,” Indonesian Journal of Business Intelligence (IJUBI), vol. 5, no. 2, hlm. 87, Des 2022, doi: 10.21927/ijubi.v5i2.2659.
“Terapi Pada DM Tipe 1,” Jl. Prof. DR. Ir. Sumatri Brojonegoro No.1, Gedong Meneng, Kec. Rajabasa, Kota Bandar Lampung, Lampung, Indonesia 35145. [Daring]. Tersedia pada: http://jurnal.globalhealthsciencegroup.com/index.php/JPPP
N. R. Dzakiyullah, A. Pramuntadi, dan A. K. Fauziyyah, “Semi-Supervised Classification on Credit Card Fraud Detection using AutoEncoders,” Journal of Applied Data Sciences, vol. 2, no. 1, hlm. 1–07, 2021.
M. S. Fajri, N. Septian, dan E. Sanjaya, “Evaluasi Implementasi Algoritma Machine Learning K-Nearest Neighbors (K-NN) pada Data Spektroskopi Gamma Resolusi Rendah,” Al-Fiziya: Journal of Materials Science, Geophysics, Instrumentation and Theoretical Physics, vol. 3, no. 1, hlm. 9–14, Agu 2020, doi: 10.15408/fiziya.v3i1.16180.
S. Margaretta, I. Arwani, dan D. E. Ratnawati, “Implementasi Algoritma K-Nearest Neighbor Pada Database Menggunakan Bahasa SQL,” 2020. [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id.
M. Nishom, “Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 4, no. 1, hlm. 20–24, Jan 2019, doi: 10.30591/jpit.v4i1.1253.
M. E. Febrian, F. X. Ferdinan, G. P. Sendani, K. M. Suryanigrum, dan R. Yunanda, “Diabetes prediction using supervised machine learning,” dalam Procedia Computer Science, Elsevier B.V., 2022, hlm. 21–30. doi: 10.1016/j.procs.2022.12.107.
H, T. Wahyuningsih, dan E. Rahwanto, “Comparison of Min-Max normalization and Z-Score Normalization in the K-nearest neighbor (K-NN) Algorithm to Test the Accuracy of Types of Breast Cancer.” [Daring]. Tersedia pada: http://archive.ics.uci.edu/ml.
