Prediksi Penyakit Diabetes Menggunakan Algoritma ID3 dengan Pemilihan Atribut Terbaik

Muhamad Subhan Efendi; Helmie Arif Wibawa

doi:10.30595/juita.v6i1.2412

Authors

Muhamad Subhan Efendi Universitas Diponegoro
Helmie Arif Wibawa Universitas Diponegoro

DOI:

https://doi.org/10.30595/juita.v6i1.2412

Keywords:

Data Mining

Abstract

Penyakit diabetes atau sering disebut dengan penyakit kencing manis adalah suatu penyakit gangguan metabolik menahun yang ditandai oleh kadar glukosa dalam darah yang melebihi nilia normal. Penyakit diabetes sering disebut sebagai silent killer dengan mengacu pada banyaknya yang tidak menyadari bahwa dirinya terkena penyakit diabetes sampai diketahui sudah kronis. Hal ini memicu peningkatan jumlah penderita diabetes dari tahun ke tahun. Maka dari itu penelitian ini mencoba menerapkan suatu metode klasifikasi Data Mining untuk memprediksi apakah seseorang terkena penyakit diabetes atau tidak. Algoritma yang digunakan adalah algoritma Decision Tree ID3 dengan bantuan seleksi atribut dalam pemilihan atribut yang digunakan. Algoritma seleksi atribut yang dimaksud adalah Correlation based Feature Selection (CFS) dan Information Gain. Berdasarkan hasil penelitian ini diperoleh bahwa performa tertinggi dicapai ketika algoritma ID3 menggunakan 5 atribut yaitu gpost, glun, upost, urn, dan actn. Dimana kelima atribut tersebut diperoleh menggunakan algoritma Correlation based Feature Selection (CFS) dengan nilai rata-rata akurasi sebesar 84.77, nilai rata-rata sensitifity sebesar 87.18, dan nilai rata-rata specificity sebesar 82.37.

Kata Kunci :Â Â Penyakit Diabetes, DataÂ Mining, ID3, Seleksi Atribut

References

Kementerian Kesehatan RI. 2014. Situasi dan Analisis Diabetes. Pusat Data dan Informasi Kementerian Kesehatan RI

Jasri, M., 2017. Klasifikasi Penyakit Diabetes Mellitus Tipe 2 Dengan Metode Algoritma C4.5. Probolinggo : STT Nurul Jadid

Kamagi, D.H., & Hansun, S., 2014. Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa. Tangerang : Universitas Multimedia Nusantara

Santoso, T.B., 2013. Analisa dan Penerepan Metode C4.5 untuk Prediksi Loyalitas Pelanggan. Jakarta : Universitas Satya Negara Indonesia

Mutmainah, P.A.M., 2015. Decision Tree Menggunakan Algoritma ID3 untuk Melakukan deteksi Penyakit Kanker Payudara. Semarang : Universitas Dian Nuswantoro

Rozzaqi, A.R., 2015. NaÃ¯ve Bayes dan Filtering Feature Selection Information Gain untuk Prediksi Ketepatan Kelulusan Mahasiswa. Semarang : Universitas PGRI Semarang

Sathta, S. & Rajesh, A. 2016. An Effective Prediction of Diabetics Using ID3 Classification Algorithm. India : Tamilnadu, Research Scholar, St.Peter’s University

Djatna, T. dan Morimoto, Y. 2011. Pembandingan stabilitas algoritma seleksi fitur menggunakan transformasi ranking normal. Bogor: IPB

Departemen Kesehatan RI. 2008. Pedoman Pengendalian Diabetes Melitus dan Penyakit Metabolik. Jakarta: Direktorat Pengendalian PTM

Han, J., & Kamber, M. 2006. Data Mining Concept and Tehniques 2nd Edition. San

Fransisco: Morgan Kauffman.

Yen, S. J. & Lee, Y. S., 2009. Cluster-based under-sampling approaches for imbalanced data distributions. Expert Systems with Applications, 36(11), pp. 5718-5727.

Fikri, Muhammad Luqman. Model Jaringan Syaraf Tiruan Radial Basis Function Dalam Deteksi Penyakit Ginjal Kronis. Semarang: Univversitas Diponegoro

Hall, M.A. 2000. Correlation-based Feature Selection for Discrete and Numeric Class Machine Learning. Hamilton : University of Waikato

Dinakaran, S. dan Thangaiah P.R.J. 2013. Role of Attribute Selection in Classification Algorithms. International Journal of Scientific & Engineering Research

Utama, T.D. 2014. Implementasi Algoritma Iterative Dichotomiser 3 Pada Penyeleksian Program Mahasiswa Wirausaha UNS. JURNAL ITSMART

Himawan, Danny. 2014. Aplikasi Data Mining Menggunakan Algoritma ID3 Untuk Mengklasifikasi Kelulusan Mahasiswa Pada Universitas Dian Nuswantoro Semarang. Semarang : Universitas Dian Nuswantoro