SISTEM APLIKASI PREDIKSI PENYAKIT DIABETES MENGGUNAKAN FITURE SELECTION KORELASI PEARSON DAN KLASIFIKASI NA VE BAYES

mohammad burhan hanif, Khoirudin Khoirudin

Abstract


Diabetes penyakit serius yang terkenal didunia dengan sebutan silent killer yang tercatat semakin meningkat dari tahun 1980 sampai 2014 sebanyak 422juta jiwa. Hal ini perlu di perhatikan secara serius karena berimbas pada timbulnya beban kerja sumberdaya medis yang berlebihan serta tentunya beban keuangan yang akan timbul karena hal tersebut. Pada era teknologi maju saat ini data mining pada bidang kesehatan hadir untuk memberikaran analisa data khususnya data penyakit diabetes dengan tepat dan akurat. Klasifikasi data mining dipadukan dengan metode research and development dapat digunakan sebagai sebuah sistem aplikasi untuk memprediksi penyakit diabetes. Oleh sebab itu peneliti membuat sebuah sistem deteksi penyakit diabetes menggunakan fiture selection korelasi pearson dan klasifikasi na ve bayes yang diharapkan dapat membantu ahli medis dalam deteksi penyakit diabetes secara lebih cepat dan mengurangi beban biaya yang timbul akibat masalah ini. Sistem prediksi berbasis web akan menangani data diabetes berjumlah 768 baris data dengan menampilkan 10 fiture yaitu Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, DiabetesPedigreeFunction, Age dan Outcome yang diperoleh pada Pima Indians Diabetes kaggle dataset. Penggunaan algoritma korelasi pearson dibutuhkan untuk meningkatkan performa dari algoritma na ve bayes dengan nilai akurasi dari 68,2%  menjadi 79,13% pada data penyakit diabetes.  

Full Text:

PDF

References


Chan, M. (2013). Global Report On Diabetes. World Health Organization.

Cheruku, R., Edla, D. R., Kuppili, V., & Dharavath, R. (2017). A Fuzzy Rule Miner Integrating Rough Set Feature Selection and Bat Optimization for Detection of Diabetes Disease Author: Applied Soft Computing Journal. https://doi.org/10.1016/j.asoc.2017.06.032

Colagiuri, R., Brown, J., & Dian, K. (2011). Global Diabetes Plan At A Glance. International Diabetes Federation.

Farid, D., Zhang, L., Mofizur, C., Hossain, M. A., & Strachan, R. (2014). Hybrid decision tree and na ve Bayes classifiers for multi-class classification tasks. Expert Systems With Applications, 41(4), 1937 1946. https://doi.org/10.1016/j.eswa.2013.08.089

Huang, Y., Mccullagh, P., Black, N., & Harper, R. (2007). Feature selection and classification model construction on type 2 diabetic patients data. https://doi.org/10.1016/j.artmed.2007.07.002

Jiang, L., Cai, Z., Zhang, H., & Wang, D. (2012). Not so greedy : Randomly Selected Naive Bayes. Expert Systems With Applications, 39(12), 11022 11028. https://doi.org/10.1016/j.eswa.2012.03.022

Kesehatan, K. (2014). Situasi dan Analisis Diabetes. Kesehatan, Infodatin pusat data dan informasi kementrian RI.

Kumar, N., & Abedin, M. (2017). Comparative Approaches for Classification of Diabetes Mellitus Data: Machine Learning Paradigm. Computer Methods and Programs in Biomedicine. https://doi.org/10.1016/j.cmpb.2017.09.004

Mansourypoor, F., & Asadi, S. (2017). Development of a Reinforcement Learning-based Evolutionary Fuzzy Rule-Based System for Diabetes Diagnosis Fatemeh. Computers in Biology and Medicine. https://doi.org/10.1016/j.compbiomed.2017.10.024

Nai-arun, N., & Moungmai, R. (2015). Comparison of Classifiers for the Risk of Diabetes Prediction. Procedia - Procedia Computer Science, 69, 132 142. https://doi.org/10.1016/j.procs.2015.10.014

Rigla, M., Pons, B., & Elena, M. (2017). A web-based clinical decision support system for gestational diabetes : Automatic diet prescription and detection of insulin needs. International Journal of Medical Informatics. https://doi.org/10.1016/j.ijmedinf.2017.02.014

Zheng, T., Xie, W., Xu, L., He, X., Zhang, Y., You, M., Yang, G., & Chen, Y. (2016). A Machine Learning-based Framework to Identify Type 2 Diabetes through Electronic Health Records. International Journal of Medical Informatics. https://doi.org/10.1016/j.ijmedinf.2016.09.014.




DOI: http://dx.doi.org/10.26623/jprt.v%25vi%25i.3089

Refbacks

  • There are currently no refbacks.


View My Stats

Penerbit

 

Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Semarang

Alamat Redaksi:

Jl.Soekarno-Hatta, Tlogosari, Semarang, Jawa Teangah, Indonesia 50196 Telp: 024-6702757 psw: 8302 Fax: 024-6702272 e-mail: jprt@usm.ac.id

Creative Commons License
This work is licensed under a  Creative Commons Attribution 4.0 International License.