Diagnosis Dini Penyakit Diabetes Mellitus Tipe I dan Tipe II dengan Metode Random Forest
Kata Kunci:
diabetes, klasifikasi, random forest, phpAbstrak
Diabetes melitus (DM) sebagai suatu penyakit atau gangguan metabolisme cronic yang ditandai dengan tingginya kadar gula darah (hiperglikemia) dan disertai gangguan metabolisme karbohidrat, lemak, dan protein karena kurang efisiennya fungsi insulin. Ditahun 2018 Department Pencegahan dan Pengendalian Penyakit Tidak Menular (P2PTM) menyebut didominasi penderita pada kelompok usia 10-14 dengan 403 kasus, kemudian 275 kasus di kelompok usia 5-9 tahun, dan 146 kasus terdapat pada kelompok usia dibawah 5 tahun, sedangkan pada kelompok usia diatas 15 tahun sebanyak 25 kasus. Penelitian yang diajukan adalah membangun sebuah sistem yang digunakan untuk mendeteksi atau mendiagnosa tingkat diabetes menggunakan algoritme random forest (RF). RF dipilih karena berdasarkan penelitian sebelumnya memiliki error rate kecil dan memiliki akurasi yang lebih tinggi jika dibandingkan dengan metode yang lain. Diagnosa dan tindakan dini pada penderita diabetes ini diperlukan untuk mengetahui seberapa besar kemungkinan orang tersebut menderita diabetes, dan dapat dilakukan tindakan intervensi sebelum individu dengan pre-diabetes tidak menjadi diabetes. Hasil dari penelitian ini adalah tingkat akurasi dari berbagai jumlah tree yang digunakan dalam pembentukan random forest. Nilai akurasi tertinggi yang didapatkan adalah 72% dengan pertimbangan hanya dengan tingkat kedalaman node adalah tiga.
Referensi
Adnyana, I. M. B., 2015. PREDIKSI LAMA STUDI MAHASISWA DENGAN METODE RANDOM FOREST. CSRID Journal, Volume 8, p. 202.
Andriani, A., 2016. PEMROGRAMAN SISTEM PAKAR. 1st ed. Yogyakarta: MediaKom.
Benbelkacem, S. & Atmani, B., 2019. Random Forests for Diabetes Diagnosis. Sakaka, IEEE.
Breiman , L. & Cutler, A., 2005. Random Forests. [Online]
Available at: https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm
[Accessed 27 April 2019].
Dai, B., Chen, R.-C., Zhu, S.-Z. & Zhang, W.-W., 2018. Using Random Forest Algorithm for Breast Cancer Diagnosis. Xiamen, International Symposium on Computer, Consumer and Control.
Lakhwani, K. et al., 2021. Prediction of the Onset of Diabetes Using Artificial Neural Network and Pima Indians Diabetes Dataset. Jaipur, IEEE.
Magliano, D. J. et al., 2021. IDF Diabetes Atlas. 10th ed. Brussels: International Diabetes Federation.
Mahajan, A., Kumar, S. & Bansal, R., 2017. Diagnosis of diabetes mellitus using PCA and genetically optimized neural network. Greater Noida, IEEE.
Mujawar, I., Jadhav, B., Waghmare, V. & Patil, R., 2021. Development of Diabetes Diagnosis System with Artificial Neural Network and Open Source Environment. Pune, IEEE.
Narkhede, S., 2018. Toward Data Science. [Online]
Available at: https://towardsdatascience.com/understanding-confusion-matrix-a9ad42dcfd62
[Accessed 8 February 2020].
Nemade, D. R. & Gupta, R. K., 2020. Diabetes Prediction using BPSO and Decision Tree Classifier. Bhopal, IEEE.
Nguyen, H. T., Ghevondian, N., Nguyen, S. T. & Jones, T. W., 2017. Detection of Hypoglycemic Episodes in Children with Type 1 Diabetes using an Optimal Bayesian Neural Network Algorithm. Lyon, IEEE.
P2PTM, 2019. DIREKTORAT PENCEGAHAN DAN PENGENDALIAN PENYAKIT TIDAK MENULAR. [Online]
Available at: http://p2ptm.kemkes.go.id/informasi-p2ptm/penyakit-diabetes-melitus
[Accessed 29 Agustus 2022].
Purnama, B., 2019. Pengatar Machine Learning. 1st ed. Bandung: Informatika.
Putra, I. G. Y. P., Khrisne, D. C. & Suyadnya, I. M. A., 2019. Expert System for Early Diagnosis of Heart. Journal of Electrical, Electronics and Informatics, III(1), pp. 15-18.
Saputra, I. & Kristiyanti, D. A., 2022. Machine Learning untuk Pemula. Bandung: Informatika Bandung.
Sharma, K., Kachare, P. H., Sangle, S. B. & Chudiwal, R., 2022. Novel Composite feature fusion for Diabetes Diagnosis using Artificial Neural Network. Chiangrai, IEEE.
Sulastri, 2022. Perawatan Diabetes Melitus. 1st ed. Jakarta: CV. Trans Info Media.
Sutojo, T., Mulyanto, E. & Suhartono, V., 2011. Kecerdasan Buatan. 1st ed. Semarang: Penerbit Andi.
Uvaliyeva, I. & Ismukhamedova, A., 2021. Mathematical Model for Early Diagnosis of Diabetes Mellitus. Caparica / Lisboa, IEEE.
VijiyaKumar, K., Lavanya, B., Nirmala, I. & Caroline, S. S., 2019. Random Forest Algorithm for the Prediction of Diabetes. Pondicherry, IEEE.
Windriyani, P., Sihwi, S. W. & Wiharto, 2013. Expert system for detecting mental disorder with Forward Chaining method. Jakarta, IEEE.
Wu, Y., Wang, H. & Wu, F., 2017. Automatic Classification of Pulmonary Tuberculosis and Sarcoidosis based on Random Forest. Shanghai, IEEE.
Adnyana, I. M. B., 2015. PREDIKSI LAMA STUDI MAHASISWA DENGAN METODE RANDOM FOREST. CSRID Journal, Volume 8, p. 202.
Andriani, A., 2016. PEMROGRAMAN SISTEM PAKAR. 1st ed. Yogyakarta: MediaKom.
Benbelkacem, S. & Atmani, B., 2019. Random Forests for Diabetes Diagnosis. Sakaka, IEEE.
Breiman , L. & Cutler, A., 2005. Random Forests. [Online]
Available at: https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm
[Accessed 27 April 2019].
Dai, B., Chen, R.-C., Zhu, S.-Z. & Zhang, W.-W., 2018. Using Random Forest Algorithm for Breast Cancer Diagnosis. Xiamen, International Symposium on Computer, Consumer and Control.
Lakhwani, K. et al., 2021. Prediction of the Onset of Diabetes Using Artificial Neural Network and Pima Indians Diabetes Dataset. Jaipur, IEEE.
Magliano, D. J. et al., 2021. IDF Diabetes Atlas. 10th ed. Brussels: International Diabetes Federation.
Mahajan, A., Kumar, S. & Bansal, R., 2017. Diagnosis of diabetes mellitus using PCA and genetically optimized neural network. Greater Noida, IEEE.
Mujawar, I., Jadhav, B., Waghmare, V. & Patil, R., 2021. Development of Diabetes Diagnosis System with Artificial Neural Network and Open Source Environment. Pune, IEEE.
Narkhede, S., 2018. Toward Data Science. [Online]
Available at: https://towardsdatascience.com/understanding-confusion-matrix-a9ad42dcfd62
[Accessed 8 February 2020].
Nemade, D. R. & Gupta, R. K., 2020. Diabetes Prediction using BPSO and Decision Tree Classifier. Bhopal, IEEE.
Nguyen, H. T., Ghevondian, N., Nguyen, S. T. & Jones, T. W., 2017. Detection of Hypoglycemic Episodes in Children with Type 1 Diabetes using an Optimal Bayesian Neural Network Algorithm. Lyon, IEEE.
P2PTM, 2019. DIREKTORAT PENCEGAHAN DAN PENGENDALIAN PENYAKIT TIDAK MENULAR. [Online]
Available at: http://p2ptm.kemkes.go.id/informasi-p2ptm/penyakit-diabetes-melitus
[Accessed 29 Agustus 2022].
Purnama, B., 2019. Pengatar Machine Learning. 1st ed. Bandung: Informatika.
Putra, I. G. Y. P., Khrisne, D. C. & Suyadnya, I. M. A., 2019. Expert System for Early Diagnosis of Heart. Journal of Electrical, Electronics and Informatics, III(1), pp. 15-18.
Saputra, I. & Kristiyanti, D. A., 2022. Machine Learning untuk Pemula. Bandung: Informatika Bandung.
Sharma, K., Kachare, P. H., Sangle, S. B. & Chudiwal, R., 2022. Novel Composite feature fusion for Diabetes Diagnosis using Artificial Neural Network. Chiangrai, IEEE.
Sulastri, 2022. Perawatan Diabetes Melitus. 1st ed. Jakarta: CV. Trans Info Media.
Sutojo, T., Mulyanto, E. & Suhartono, V., 2011. Kecerdasan Buatan. 1st ed. Semarang: Penerbit Andi.
Uvaliyeva, I. & Ismukhamedova, A., 2021. Mathematical Model for Early Diagnosis of Diabetes Mellitus. Caparica / Lisboa, IEEE.
VijiyaKumar, K., Lavanya, B., Nirmala, I. & Caroline, S. S., 2019. Random Forest Algorithm for the Prediction of Diabetes. Pondicherry, IEEE.
Windriyani, P., Sihwi, S. W. & Wiharto, 2013. Expert system for detecting mental disorder with Forward Chaining method. Jakarta, IEEE.
Wu, Y., Wang, H. & Wu, F., 2017. Automatic Classification of Pulmonary Tuberculosis and Sarcoidosis based on Random Forest. Shanghai, IEEE.
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
