Perbandingan Klasifikasi Antara Naive Bayes dan K-Nearest Neighbor Terhadap Resiko Diabetes pada Ibu Hamil
Comparison of Classification Between Naive Bayes and K-Nearest Neighbor on Diabetes Risk in Pregnant Women
DOI:
https://doi.org/10.57152/malcom.v2i2.432Keywords:
Akurasi, Data Mining, Diabetes, Klasifikasi, Naïve Bayes, K-Nearest NeighborAbstract
Diabetes juga dikenal sebagai penyakit metabolik kronis yang dipicu karena pankreas tidak menghasilkan insulin yang cukup. Pada masa kehamilan, tubuh akan meningkatkan hormon-hormon yang juga mempengaruhi kerja insulin. Pada penelitian ini data yang digunakanlah adalah kemungkinan resiko ibu hamil terkena diabetes, data tersebut diolah memakai teknik data mining yaitu naïve bayes. Setelah dilakukan pengolahan data memakai teknik klasifiaksi data mining algorithma naïve bayes, hasil yang didapat untuk pembagian data menggunakan K-Fold Cross Validation K=10 pada algoritma naïve bayes didapat lah hasil 75,78% dan untuk penggolahan menggunakan knn dengan nilai K=25 didapat hasil 74,48%. Dari hasil tersebut naïve bayes lebih baik dibandingkan K-Nearest Neighbor (KNN).
References
F. Eryuda and T. U. Soleha, “Ekstrak Daun Kluwih ( Artocarpus camansi ) Dalam Menurunkan Kadar Glukosa Darah Pada Penderita Diabetes Melitus Kluwih Leaf Extract ( Artocarpus camansi ) In Lowering Blood Glucose Levels In Patients With Diabetes Melitus,” Majority, vol. 5, no. 4, pp. 71–75, 2016.
M. D. M. Tito Putri, P. Wahjudi, and I. Prasetyowati, “Gambaran Kondisi Ibu Hamil dengan Diabetes Mellitus di RSD dr. Soebandi Jember Tahun 2013-2017,” Pustaka Kesehat., vol. 6, no. 1, p. 46, 2018.
H. Indeks, M. Tubuh, D. Resiko, L. Back, P. Pada, and P. Di, “Jurnal Keperawatan Muhammadiyah,” vol. 7, no. 1, pp. 3–6, 2022.
M. Munawaroh and Hafizzurachman, “Konfirmasi Lima Faktor yang Berpengaruh terhadap Pencegahan Diabetes Mellitus pada Ibu Hamil 1Madinah,” J. Ilmu Kesehat., vol. 19, no. 2, pp. 34–38, 2018.
N. Djamaluddin and V. M. O. Mursalin, “Gambaran Diabetes Melitus Gestasional Pada Ibu Hamil di RSUD Prof. Dr. H. Aloei Saboe Kota Gorontalo,” Jambura Nurs. J., vol. 2, no. 1, pp. 124–130, 2020, doi: 10.37311/jnj.v2i1.6858.
S. Haryati, A. Sudarsono, and E. Suryana, “Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus: Universitas Dehasen Bengkulu),” J. Media Infotama, vol. 11, no. 2, pp. 130–138, 2015.
S. Susanto, PENGANTAR DATA MINING Menggenali Pengetahuan dan Bongkahan data. 2010.
F. A. D. Aji Prasetya Wibawa, Muhammad Guntur Aji Purnama, Muhammad Fathony Akbar, “Metode-metode Klasifikasi,” Pros. Semin. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 1, p. 134, 2018.
D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 437, 2020, doi: 10.30865/mib.v4i2.2080.
D. Ariadi and K. Fithriasari, “Klasifikasi Berita Indonesia Menggunakan Metode Naive Bayesian Classification dan Support Vector Machine dengan Confix Stripping Stemmer,” J. SAINS DAN SENI ITS Vol. 4, No.2, vol. 4, no. 2, pp. 248–253, 2015.
Y. Yuliana, P. Paradise, and K. Kusrini, “Sistem Pakar Diagnosa Penyakit Ispa Menggunakan Metode Naive Bayes Classifier Berbasis Web,” CSRID (Computer Sci. Res. Its Dev. Journal), vol. 10, no. 3, p. 127, 2021, doi: 10.22303/csrid.10.3.2018.127-138.
Indriyanti, D. Sugianti, and M. A. Al Karomi, “Peningkatan Akurasi Algoritma KNN dengan Seleksi Fitur G ain Ratio untuk Klasifikasi Penyakit Diabetes Mellitus,” IC-Tech, vol. 7, no. 2, pp. 1–6, 2017, [Online]. Available: https://ejournal.stmik-wp.ac.id/index.php/ictech/article/view/3
R. N. Whidhiasih, N. A. Wahanani, and Supriyanto, “Klasifikasi Buah Belimbing Berdasarkan Citra RED-GREEN-BLUE,” J. Penelit. Ilmu Komputer, Syst. Embed. Log., vol. 1, no. 1, pp. 29–35, 2013.
I. Luthfa, “Family Support in Patients of Type 2 Diabetes Mellitus Bangetayu Health Center in Semarang, Rasch Model Analysis,” Nurscope J. Penelit. dan Pemikir. Ilm. Keperawatan, vol. 2, no. 1, p. 12, 2016, doi: 10.30659/nurscope.2.1.12-23.
F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 577, 2018, doi: 10.25126/jtiik.201855983.
B. Rahmat C.T.I. et al., “Implemetasi k-means clustering pada rapidminer untuk analisis daerah rawan kecelakaan,” Semin. Nas. Ris. Kuantitatif Terap. 2017, no. April, pp. 58–60, 2017.
M. S. Mustafa, M. R. Ramadhan, and A. P. Thenata, “Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” Creat. Inf. Technol. J., vol. 4, no. 2, p. 151, 2018, doi: 10.24076/citec.2017v4i2.106.
M. Syukri Mustafa, M. Rizky Ramadhan, and A. P. Thenata, “Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” Citec J., vol. 4, no. 2, pp. 151–162, 2017.
H. Pramudia and A. Nugroho, “Sistem Informasi Kerusakan Laptop Menggunakan Metode Naïve Bayes,” Teknol. Elektro, Univ. Mercu Buana, vol. 8, no. 3, pp. 206–214, 2017.
H. F. Putro, R. T. Vulandari, and W. L. Y. Saptomo, “Penerapan Metode Naive Bayes Untuk Klasifikasi Pelanggan,” J. Teknol. Inf. dan Komun., vol. 8, no. 2, 2020, doi: 10.30646/tikomsin.v8i2.500.
M. Reza Noviansyah, T. Rismawan, and D. Marisa Midyanti, “Penerapan Data Mining Menggunakan Metode K-Nearest Neighbor Untuk Klasifikasi Indeks Cuaca Kebakaran Berdasarkan Data Aws (Automatic Weather Station) (Studi Kasus: Kabupaten Kubu Raya),” J. Coding, Sist. Komput. Untan, vol. 06, no. 2, pp. 48–56, 2018, [Online]. Available: http://jurnal.untan.ac.id/index.php/jcskommipa/article/view/26672
M. Mustakim, R. Hastarimasuci, P. Papilo dan A. Nazir, "Variable Selection to Determine Majors of Student using K-Nearest Neighbor and Naïve Bayes Classifier Algorithm", Journal of Physics: Conference Series, vol. 1363, no. 1, 2019.
