Penerapan Gaussian Naive Bayes dan Analisis Komponen Utama dalam Klasifikasi Diabetes

Galih Mahalisa(1*), Nur Arminarahmah(2)

(1) Fakultas Teknologi Informasi -UNISKA MAB Banjarmasin
(2) Fakultas Teknologi Informasi -UNISKA MAB Banjarmasin
(*) Corresponding Author

Sari


Klasifikasi yang akurat terhadap penyakit diabetes sangat penting untuk deteksi dini dan perencanaan pengobatan. Pembelajaran mesin menawarkan solusi yang menjanjikan untuk masalah ini, namun pemilihan metode yang tepat sangatlah penting. Penelitian ini mengevaluasi efektivitas penggunaan Gaussian Naive Bayes (GNB) dengan Analisis Komponen Utama (PCA) dalam klasifikasi diabetes. Tujuan utama adalah untuk menilai apakah PCA dapat meningkatkan kinerja model GNB. Hasil penelitian menunjukkan bahwa PCA tidak secara signifikan meningkatkan akurasi klasifikasi diabetes menggunakan GNB. Bahkan, model tanpa PCA menunjukkan kinerja yang sedikit lebih baik. Hal ini mengindikasikan bahwa PCA mungkin tidak cocok untuk semua kasus klasifikasi diabetes menggunakan GNB. Faktor-faktor seperti karakteristik data dan pemilihan hiperparameter dapat mempengaruhi efektivitas PCA. Penelitian lebih lanjut dapat mengeksplorasi metode reduksi dimensi atau algoritma pembelajaran mesin lainnya.

Teks Lengkap:

PDF

Referensi


Abnoosian, K., Farnoosh, R., & Behzadi, M. H. (2023). Prediction of diabetes disease using an ensemble of machine learning multi-classifier models. BMC Bioinformatics, 24(1), 1–24. https://doi.org/10.1186/S12859-023-05465-Z/FIGURES/7

Alberti, K., Zimmet, P., Medicine, J. S.-D., & 2007, undefined. (2007). International Diabetes Federation: a consensus on Type 2 diabetes prevention. Wiley Online Library, 24(5), 451–463. https://doi.org/10.1111/j.1464-5491.2007.02157.x

Barus, A. C., Panggabean, T. M., Pakpahan, D., & Sirait, S. G. D. (2022). Verifikasi Kualitas Gambar Dengan Algoritma Support Vector Machine (SVM) Untuk Studi Kasus Ulos Batak Toba. Smart Comp :Jurnalnya Orang Pintar Komputer, 11(3), 473–483. https://doi.org/10.30591/SMARTCOMP.V11I3.3900

Choubey, D. K., Kumar, M., Shukla, V., Tripathi, S., & Dhandhania, V. K. (2020). Comparative Analysis of Classification Methods with PCA and LDA for Diabetes. Current Diabetes Reviews, 16(8), 833–850. https://doi.org/10.2174/1573399816666200123124008

Endocrinology, B. Z.-E., & 2015, undefined. (n.d.). The International Diabetes Federation World Diabetes Congress 2015. Europepmc.Org. Retrieved January 20, 2024, from https://europepmc.org/article/med/29632570

Ente, D. R., Thamrin, S. A., Arifin, S., Kuswanto, H., & Andreza, A. (2020). KLASIFIKASI FAKTOR-FAKTOR PENYEBAB PENYAKIT DIABETES MELITUS DI RUMAH SAKIT UNHAS MENGGUNAKAN ALGORITMA C4.5. Indonesian Journal of Statistics and Its Applications, 4(1), 80–88. https://doi.org/10.29244/ijsa.v4i1.330

Erlin, Yulvia Nora Marlim, Junadhi, Laili Suryati, & Nova Agustina. (2022). Deteksi Dini Penyakit Diabetes Menggunakan Machine Learning dengan Algoritma Logistic Regression. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 11(2), 88–96. https://doi.org/10.22146/jnteti.v11i2.3586

Hardianto, D. (2021). TELAAH KOMPREHENSIF DIABETES MELITUS: KLASIFIKASI, GEJALA, DIAGNOSIS, PENCEGAHAN, DAN PENGOBATAN. Jurnal Bioteknologi & Biosains Indonesia (JBBI), 7(2), 304–317. https://doi.org/10.29122/jbbi.v7i2.4209

Kothapeta, H., Lakkampelly, S., Mandari, A., Sathyanarayana, M. M., & Vani, G. (2199). MULTIPLE DISEASE PREDICTION USING MACHINE LEARNING AND STREAM-LIT. In International Research Journal of Modernization in Engineering Technology and Science www.irjmets.com @International Research Journal of Modernization in Engineering. www.irjmets.com

Maniruzzaman, M., Kumar, N., Menhazul Abedin, M., Shaykhul Islam, M., Suri, H. S., El-Baz, A. S., & Suri, J. S. (2017). Comparative approaches for classification of diabetes mellitus data: Machine learning paradigm. Computer Methods and Programs in Biomedicine, 152, 23–34. https://doi.org/10.1016/J.CMPB.2017.09.004

Saxena, R., Sharma, S. K., Gupta, M., & Sampada, G. C. (2022). A Comprehensive Review of Various Diabetic Prediction Models: A Literature Survey. Journal of Healthcare Engineering, 2022. https://doi.org/10.1155/2022/8100697

Zou, Q., Qu, K., Luo, Y., Yin, D., Ju, Y., & Tang, H. (2018). Predicting Diabetes Mellitus With Machine Learning Techniques. Frontiers in Genetics, 9. https://doi.org/10.3389/FGENE.2018.00515




DOI: http://dx.doi.org/10.31602/tji.v16i2.15942

Refbacks

  • Saat ini tidak ada refbacks.


© 2025 Technologia   p-ISSN: 2086-6917    e-ISSN: 2656-8047

-------------------------------------------------------------------------------------------

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