Perancangan aplikasi data Mining untuk diagnosa penyakit diabetes menggunakan perbandingan Algoritma Naive Bayes dan K-Nearest Neighbor
| Main Author: | Arif Nur Rahman |
|---|---|
| Format: | Bachelors |
| Terbitan: |
Fakultas Sains dan Teknologi
|
| Subjects: |
Daftar Isi:
- Epidemi penyakit tidak menular muncul menjadi penyebab kematian terbesar di Indonesia, salah satu penyakit tidak menular yang menyita banyak perhatian adalah Diabetes Mellitus (DM). Perkembangan penyakit diabetes mellitus di Indonesia diperkirakan akan mengalami peningkatan sekitar 2-3 kali lipat pada tahun 2030, hal ini sesuai dengan apa yang diprediksi oleh Organisasi Kesehatan Dunia (WHO) dan International Diabetes Federation (IDF). Menurut Perkumpulan Endokrinologi Indonesia (PERKENI), peningkatan penyandang DM tersebut diperkirakan akibat dari 50% pasien DM belum terdiagnosis, bahkan hanya 2/3 pasien yang menjalani pengobatan baik non farmakologis maupun farmakologis. Berdasarkan hasil wawancara penulis dengan seorang dokter, diketahui bahwa kebanyakan pasien DM tidak mengetahui gejala-gejala diabetes pada diri mereka. Permasalahan tersebut sebenarnya dapat diatasi dengan adanya peran serta para dokter muda yang sedang dalam tugas kepaniteraannya (KOAS) dalam perihal mendiagnosa penyakit diabetes pada masyarakat. Tetapi, kebanyakan dari mereka masih sulit untuk menegakkan diagnosa diabetes pada seorang pasien dikarenakan kurangnya pengalaman. Oleh karena itu, penulis merasa perlu memberikan solusi atas permasalahan tersebut dengan membuat aplikasi yang dapat mendiagnosa penyakit diabetes guna membantu para dokter muda dalam menegakkan hasil diagnosanya. Aplikasi yang penulis bangun memanfaatkan salah satu fungsi tugas dari data mining yaitu pengklasifikasian data dengan cara penelurusan terhadap historis rekam medis pasien diabetes untuk mengidentifikasikan dan mengklasifikasikan data diagnosa awal berdasarkan sifat-sifat yang teridentifikasikan sebelumnya. Algoritma klasifikasi data yang diterapkan pada penelitian ini adalah algoritma Naive Bayes dan K-Nearest Neighbor, kedua algoritma tersebut digunakan dengan pertimbangan bahwa proses pendekatan klasifikasi data menggunakan perhitungan yang berbeda dapat memberikan akurasi yang lebih tinggi dan pilihan untuk proses diagnosa. Penulis menggunakan metode wawancara dan studi literatur untuk proses pengumpulan data penelitian sedangkan dalam pengembangan aplikasi penulis menggunakan metode pengembangan sekuensial linear atau waterfall method. Dari hasil penelitian ini dapat disimpulkan bahwa diagnosa menggunakan algoritma Naive Bayes dan K-Nearest Neighbor memiliki tingkat akurasi yang sama yaitu sebesar 91% dan laju kesalahan sebesar 9%, tetapi pada proses diagnosa kesalahan klasifikasi data pada kedua algoritma tersebut memiliki perbedaaan