Kombinasi Algoritma Gaussian Naïve Bayes Dan Adaboost Untuk Meningkatkan Akurasi Dalam Klasifikasi Penyakit Diabetes
DOI:
https://doi.org/10.37859/jf.v15i2.9279
Abstract
Diabetes mellitus adalah penyakit metabolik kronis yang dapat menyebabkan komplikasi serius jika tidak terdeteksi dini. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi diabetes dengan menggabungkan algoritma Gausian Naïve Bayes dan Adaboost menggunakan teknik ensemble learning. Ensemble learning adalah metode dalam pembelajaran mesin yang meningkatkan akurasi model dengan menggabungkan prediksi dari beberapa model yang berbeda. Teknik ini mengintegrasikan model-model yang mungkin memiliki performa kurang optimal secara individu untuk membentuk model yang lebih unggul. Adaboost memberikan bobot lebih besar pada sampel yang sulit diklasifikasikan, sehingga efektif dalam menangani data yang kompleks dan tidak seimbang. Dataset yang digunakan berasal dari Sylhet Diabetes Hospital, Bangladesh, yang berisi data kuesioner yang telah diverifikasi oleh dokter. Evaluasi menggunakan Confusion Matrix menunjukkan bahwa kombinasi Gausian Naïve Bayes dan Adaboost meningkatkan akurasi klasifikasi diabetes secara signifikan. Model ini mencapai akurasi 96.1% pada pembagian data 80:20, lebih tinggi dibandingkan Naïve Bayes tunggal (87.69%). Precision tertinggi (100%) tercatat pada pembagian data 80:20, dengan recall stabil pada 93.7%–94%, dan F1-Score tertinggi sebesar 96.7%. Hasil ini menunjukkan bahwa kombinasi kedua algoritma melalui teknik ensemble learning dapat saling melengkapi dan meningkatkan performa klasifikasi, menjadikannya lebih efektif dalam identifikasi diabetes
Downloads
References
WHO, “Diabetes,” 2024. https://www.who.int/health-topics/diabetes#tab=tab_3
IDF, “International Diabetes Federation,” 2024. https://idf.org/our-network/regions-and-members/western-pacific/members/indonesia/
Kemenkes RI, “Saatnya mengatur si Manis,” 2024. https://sehatnegeriku.kemkes.go.id/baca/blog/20240110/5344736/saatnya-mengatur-si-manis/
S. T. Siridion and B. Siregar, “ANALISIS KLASIFIKASI DIAGNOSA PENYAKIT DIABETES MELITUS BERDASARKAN KOMPARASI ALGORITMA SUPERVISED LEARNING,” Multidiciplinary Sci. Journa, vol. 2, no. 3, pp. 1006–1014, 2024, [Online]. Available: https://doi.org/10.57185/mutiara.v2i2.159
W. D. Septiani and U. Rohwadi, “Optimasi Algoritma Genetika Pada Algoritma C4.5 Untuk Deteksi Dini Penyakit Diabetes,” J. AKRAB JUARA, vol. 6, no. 5, pp. 221–229, 2021.
W. Apriliah, I. Kurniawan, M. Baydhowi, and T. Haryati, “Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,” Sistemasi, vol. 10, no. 1, p. 163, 2021, doi: 10.32520/stmsi.v10i1.1129.
H. Mukaromah, “Komparasi Teknik Bagging Dan Adaboost Pada Decision Tree Dan Naive Bayes Untuk Prediksi Stroke,” JUPITER J. Penelit. Ilmu dan Teknol. …, pp. 167–180, 2024, [Online]. Available: https://jurnal.polsri.ac.id/index.php/jupiter/article/view/8448%0Ahttps://jurnal.polsri.ac.id/index.php/jupiter/article/download/8448/3043
L. Pebrianti, F. Aulia, H. Nisa, and K. Saputra, “Informasi Implementasi Metode Adaboost untuk Mengoptimasi Klasifikasi Penyakit Diabetes dengan Algoritma Naïve Bayes,” J. Sist. dan Teknol., vol. 7, no. 2, pp. 122–127, 2022, [Online]. Available: http://jurnal.unmuhjember.ac.id/index.php/JUSTINDO/article/view/8627%0Ahttp://jurnal.unmuhjember.ac.id/index.php/JUSTINDO/article/download/8627/4296
A. A. Karim, M. A. Prasetyo, and M. R. Saputro, “Perbandingan Metode Random Forest, K-Nearest Neighbor, dan SVM Dalam Prediksi Akurasi Pertandingan Liga Italia,” Pros. Semin. Nas. Teknol. dan Sains , vol. 2, pp. 377–342, 2023, [Online]. Available: http://www.football-data.co.uk.
M. Rizal, M. Z. Syahaf, S. R. Priyambodo, and Y. Rhamdani, “Optimasi Algoritma Naïve Bayes Menggunakan Forward Selection Untuk Klasifikasi Penyakit Ginjal Kronis,” Naratif J. Nas. Riset, Apl. dan Tek. Inform., vol. 5, no. 1, pp. 71–80, 2023, doi: 10.53580/naratif.v5i1.200.
A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 4, no. 1, pp. 15–21, 2020, doi: 10.47970/siskom-kb.v4i1.169.
T. Tanti, P. Sirait, and A. Andri, “Optimalisasi Kinerja Klasifikasi Melalui Seleksi Fitur dan AdaBoost dalam Penanganan Ketidakseimbangan Kelas,” J. Media Inform. Budidarma, vol. 5, no. 4, p. 1377, 2021, doi: 10.30865/mib.v5i4.3280.
U. Indahyanti, N. L. Azizah, and H. Setiawan, “Pendekatan Ensemble Learning Untuk Meningkatkan Akurasi Prediksi Kinerja Akademik Mahasiswa,” J. Sains dan Inform., vol. 8, no. 2, pp. 160–169, 2022, doi: 10.34128/jsi.v8i2.459.
A. Nur Rais and W. Warjiyono, “Optimasi Akurasi Klasifikasi Pada Prediksi Smokte Detection dengan Menggunakan Algoritma Adaboost,” J. Sist. Komput. dan Inform., vol. 4, no. 2, p. 343, 2022, doi: 10.30865/json.v4i2.5154.
M. Rama, H. Suryanto, and D. W. Utomo, “Pembelajaran Ensemble Untuk Klasifikasi Ulasan Pelanggan E-commerce Menggunakan Teknik Boosting,” vol. 15, no. 02, pp. 238–244, 2024, doi: 10.35970/infotekmesin.v15i2.2314.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Fitri Handayani, Rahmad Firdaus, Ashari Wahyudi, Hasanatul Fu'adah Amran, Reny Medikawati Taufiq
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright Notice
An author who publishes in the Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) agrees to the following terms:
- Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
- Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
- Author is permitted and encouraged to post his/her work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).
Read more about the Creative Commons Attribution-ShareAlike 4.0 Licence here: https://creativecommons.org/licenses/by-sa/4.0/.
_(1).png)
