KOMPARASI UJI PERFORMA ALGORITMA C4.5 DAN K-NEAREST NEIGBOR DALAM MEMPREDIKSI PENYAKIT DIABETES
DOI:
https://doi.org/10.51903/semnastekmu.v2i1.191Keywords:
Algoritma C4.5, K-Nearest Neighbor, Diabetes MellitusAbstract
Tingginya angka statistik penderita diabetes memerlukan antisipasi dari dinas kesehatan untuk menekan dan mencegah ledakan penderita diabetes. Oleh karena itu, diagnosis dini diabetes dapat membantu pengobatan diabetes lebih cepat dan dapat menghindari komplikasi penyakit berbahaya lainnya. Salah satu pencatatan yang dapat dilakukan adalah dengan memanfaatkan teknik klasifikasi dengan data mining. Algoritma C4.5 dan K-Nearest Neigbor merupakan metode yang dapat digunakan untuk memprediksi diabetes. Dari hasil pengujian 520 data yang terbagi menjadi 80% atau 416 data sebagai data latih dan 20% atau 104 sebagai data pengujian, algoritma C45 (Decision Tree) memiliki akurasi yang lebih tinggi dibandingkan k-NN dengan menggunakan seluruh atribut dengan akurasi sebesar 98% sedangkan k-NN memiliki akurasi sebesar 83%. Sedangkan untuk penggunaan menggunakan fitur berbasis heatmap, algoritma C45 memiliki akurasi 88% lebih tinggi dibandingkan algoritma k-NN dengan akurasi 84%. Pada algoritma k-NN, mencari jumlah k yang optimal adalah 4 dengan akurasi 88%.
References
Kemenkes, “Pusat Data Dan Informasi Kementerian Kesehatan RI.” 2021.
F. M. Hana, “Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4 . 5,” J. Sist. Komput. dan Kecerdasan Buatan, vol. Volume IV, 2020.
M. A. A. K. Indrayanti, Devi Sugianti, “Optimasi Parameter K Pada Algoritma K-Nearest Neighbour Untuk Klasifikasi Penyakit Diabetes Mellitus,” Pros. SNATIF Ke -4, pp. 823–829, 2017.
D. T. Larose and C. D. Larose, Data Mining And Predictive Analytics. John Wiley & Sons, Inc., Hoboken, New Jersey, 2015.
I. D. Mienye, Y. Sun, and Z. Wang, “Prediction performance of improved decision tree-based algorithms: A review,” Procedia Manuf., vol. 35, pp. 698–703, 2019, doi: 10.1016/j.promfg.2019.06.011.
M. Kantardzic, Data Mining: Concepts, Models, Methods, and Algorithms: Second Edition. 2020.
D. T. Larose, Data Mining Methods And Models, vol. 28. John Wiley & Sons, Inc., Hoboken, New Jersey, 2005.
H. Azis, P. Purnawansyah, F. Fattah, and I. P. Putri, “Performa Klasifikasi K-NN dan Cross Validation Pada Data Pasien Pengidap Penyakit Jantung,” Ilk. J. Ilm., vol. 12, no. 2, pp. 81–86, 2020, doi: 10.33096/ilkom.v12i2.507.81-86.
F. D. Astuti and M. Guntara, “Analisis Performa Algoritma K-NN Dan C4.5 Pada Klasifikasi Data Penduduk Miskin,” vol. 2, no. 2, 2018.
A. M. Argina, “Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes,” Indones. J. Data Sci., vol. 1, no. 2, pp. 29–33, 2020, doi: 10.33096/ijodas.v1i2.11.
S. Iskandar, N. R. Refisis, and B. A. Ginting, “Metode Naive Bayes Classifer Dalam Penentuan Penerima Beasiswa Bidikmisi Di Universitas Negeri Medan,” Karismatika, vol. 7, no. 1, pp. 10–23, 2021.
S. Anggraini, S. Defit, and G. W. Nurcahyo, “Analisis Data Mining Penjualan Ban Menggunakan Algoritma C4. 5,” J. Ilmu Tek. Elektro …, vol. 5, pp. 0–7, 2018.
X. Meng, P. Zhang, Y. Xu, and H. Xie, “Construction of decision tree based on C4.5 algorithm for online voltage stability assessment,” Int. J. Electr. Power Energy Syst., vol. 118, no. December 2019, p. 105793, 2020, doi: 10.1016/j.ijepes.2019.105793.
I. W. Saputro and B. W. Sari, “Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa,” Creat. Inf. Technol. J., vol. 6, no. 1, p. 1, 2019, doi: 10.24076/citec.2019v6i1.178.
