Implementasi Algoritma K-Nearst Neighbor Untuk Memprediksi Penyakit Diabetes
DOI:
https://doi.org/10.33998/jakakom.2022.2.2.110Abstract
Abstrak- Diabetes melitus tipe 2 sering juga disebut diabetes life style karena penyebabnya selain faktor keturunan, faktor lingkungan meliputi usia, obesitas, resistensi insulin, makanan, aktifitas fisik, dan gaya hidup juga menjadi penyebab diabetes melitus. Maka dari itu untuk dapat menghimbau dan mengurangi jumlah diabetes di Indonesia, penulis ingin mengimplementasikan algoritma untuk memprediksi penyakit diabetes agar dapat memantau, memberi tau, dan menghimbau masyarakat untuk menjaga polah hidup sehat. Untuk memecahkan suatu permasalahan tersebut, diterapkan suatu metode dengan cara mengimplementasi data diabetes agar dapat menghasilkan suatu informasi yang dapat dijadikan untuk memprediksi penyakit diabetes yaitu dengan menggunakan metode K-Nearest Neighbor. Data yang penulis gunakan berjumlah 100 data dan terdiri dari 9 atribut yaitu pregnan, plasma-glucose, diastolic blood-pressure, tricepts skin fold thicknesthickness, insulin, body mass index, diabetes pedigree function, age, dan class variable. Hasil dari penelitian ini berupa data dengan test option percentage split 70% atau 70 data digunakan sebagai data training sebagai pembentuk model, dan 30% dari dataset atau sebanyak 30 data sebagai data testing yang akan diujikan terhadap model yang dibentuk, dengan k = 5 pada data diabetes untuk mendeteksi penyakit diabetes dan memperoleh hasil prediksi benar sebanyak 20 dan salah 10 dengan tingkat akurasi sebesar 66,6667 % dengan jarak k = 5.
Kata Kunci : Algoritma, Implementasi, K-Nearest Neighbor, Diabetes
Abstract- The type 2 diabetes mellitus is often also called diabetes lifestyle because the causes other than heredity, environmental factors including age, obesity, insulin resistance, food, physical activity, and lifestyle are also causes of diabetes mellitus. Therefore, to be able to encourage and reduce the number of diabetes in Indonesia, the author wants to implement an algorithm to predict diabetes in order to monitor, inform, and encourage the public to maintain a healthy lifestyle. To solve this problem, a method is applied by implementing diabetes data so that it can produce information that can be used to predict diabetes by using the K-Nearest Neighbor method. The data that the author uses is 100 data and consists of 9 attributes, namely pregnan, plasma-glucose, diastolic blood-pressure, tricepts skin fold thickness, insulin, body mass index, diabetes pedigree function, age, and class variables. The results of this study are in the form of data with a test option percentage split of 70% or 70 data is used as training data as a model constructor, and 30% of the dataset or as many as 30 data as testing data to be tested against the formed model, with k = 5 on the data diabetes to detect diabetes and get 20 correct predictions and 10 wrong predictions with an accuracy rate of 66.6667% with a distance of k = 5.
Keywords: Algoritma, Implementasi, K-Nearest Neighbor, Diabetes
Downloads
References
S. N. R. Toharin, S. CAHYATI, W. H. M Kes, and Z. M. H. Kes, “Hubungan Modifikasi Gaya Hidup Dan Kepatuhan Konsumsi Obat Antidiabetik Dengan Kadar Gula Darah Pada Penderita Diabetes Melitus Tipe 2 Di Rs Qim Batang Tahun 2013,” Unnes J. Public Heal., vol. 4, no. 2, pp. 153–161, 2015.
D. Zaenal Abidin and E. Rasywir, “Penerapan Data Mining Klasifikasi Untuk Memprediksi Potensi Mahasiswa Berprestasi Di Stikom Dinamika Bangsa Jambi Dengan Metode Naive Bayes,” J. Ilm. Mhs. Tek. Inform., vol. 3, no. 2, 2021.
J. Joni, M. Rosario, and M. R. Pahlevi, “Perancangan Sistem Informasi Peminjaman Barang Pada Chara Center Jambi,” J. Ilm. Mhs. Sist. Inf., vol. 3, no. 2, pp. 168–181, 2021.
A. J. Nathan and A. Scobell, “Model Algoritma K-nearest Neighbor untuk memprediksi kelulusan mahasiswa,” Foreign Aff., vol. 91, no. 5, pp. 1–9, 2012.
A. Nofriyanto, Nurhadi, and Mulyadi, “Pengenalan Rambu Lalu Lintas Sebagai Sarana Pembelajaran Interaktif Bagi Siswa Sekolah Dasar Berbasis Augmented Reality ( Studi Kasus : SDN 134 / IV Jambi Selatan ),” J. Ilm. Mhs. Tek. Inform., vol. 3, no. 2, pp. 115–122, 2021.
W. Yustanti, “Algoritma K-Nearest Neighbour untuk Memprediksi Harga Jual Tanah,” J. Mat. Stat. dan komputasi, vol. 9, no. 1, pp. 57–68, 2012.
R. Fernando, S. Assegaf, and E. Rohaini, “Perancangan Aplikasi Sistem Informasi Geografis Pelayanan Publik Di Sungai Bahar Utara Berbasis Android,” J. Ilm. Mhs. Tek. Inform., vol. 3, no. 2, pp. 124–125, 2021.
N. L. G. P. Suwirmayanti, “Penerapan Metode K-Nearest Neighbor Untuk Sistem Rekomendasi Pemilihan Mobil,” Techno.Com, vol. 16, no. 2, pp. 120–131, 2017, doi: 10.33633/tc.v16i2.1322.
F. Kurnia and A. Nugroho, “Perancangan E-learning Pada Madrasah Aliyah Negeri 3 Kota Jambi Berbasis Web,” vol. 3, no. 2, pp. 157–173, 2021.
Pusvyta Sari, “Memotivasi Belajar Dengan Menggunakan E-Learning,” Ummul Quro, vol. 6, no. Jurnal Ummul Qura Vol VI, No 2, September 2015, pp. 20–35, 2015, [Online]. Available: http://ejournal.kopertais4.or.id/index.php/qura/issue/view/531
A. Sari, B. Purnama, and D. Effiyaldi, “Perancangan Sistem Informasi Kepegawaian Pada Dinas Energi Dan Sumber Daya Mineral Jambi,” J. Ilm. Mhs. Sist. Inf., vol. 1, no. 4, pp. 249–264, 2019.
