APPLICATION OF DATA MINING TO IDENTIFY DIABETES MELLITUS USING THE SUPPORT VECTOR MACHINE (SVM) ALGORITHM AND KNN
Keywords:
Diabetes Mellitus, Data Mining, Support Vector Machine, K-Nearest Neighbor
Abstract
Damage to the performance of human organs is very detrimental
Received
Revised
Accepted
And is the source of the most problems at this time. One of the diseases that is the number one killer in the world is diabetes mellitus. Diabetes mellitus is a metabolic disease characterized by hyperglycemia caused by and obstacle in insulin secretion from insulin action or both. Diabetes mellitus is divided into several types, type 1 diabetes mellitus generally gives rise to indications before the patient is 30 years old. Although in fact the indications of the disease can arise at any time. This study aims to apply the Support Vector Machine (SVM) and K-Nearest Neighbor (KNN) method to identify diabetes mellitus and calculate the comparison value of the accuracy of the two algorithms. From the results of this study. It can be concluded that the Support Vector Machine (SVM) algorithm produces an accuracy value of 76% while the accuracy value of the K-Nearest Neighbor (KNN) algorithm is 75%
Downloads
Download data is not yet available.
References
[1] Azis, W. A., Muriman, L. Y., & Burhan, S. R. (2020). Hubungan Tingkat Pengetahuan dengan Gaya Hidup Penderita Diabetes Mellitus. Jurnal Penelitian Perawat Profesional, 2(1), 105-114.
[2] Wulansari, D. D., & Wulandari, D. D. (2018). Pengembangan Model Hewan Coba Tikus Diabetes Mellitus Tipe 2 dengan Induksi Diet Tinggi Fruktosa Intragastrik. Media Pharmaceutica Indonesiana, 2(1), 41-47.
[3] Silalahi, L. (2019). Hubungan pengetahuan dan tindakan pencegahan diabetes mellitus tipe 2. Jurnal Promkes: The Indonesian Journal of Health Promotion and Health Education, 7(2), 223-232.
[4] Setiawan, H., Suhanda, S., Sopatilah, E., Rahmat, G., Wijaya, D. D., & Ariyanto, H. (2018). Hubungan tingkat pengetahuan dengan kecemasan penderita diabetes mellitus. Proceeding of The URECOL, 241-248.
[5] Aris, F., & Benyamin, B. (2019). Penerapan Data Mining untuk Identifikasi Penyakit Diabetes Melitus dengan Menggunakan Metode Klasifikasi. Router Research, 1(1), 1-6.
[6] Putri, S. U., Irawan, E., & Rizky, F. (2021). Implementasi Data Mining Untuk Prediksi Penyakit Diabetes Dengan Algoritma C4. 5. Kesatria: Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen), 2(1), 39-46.
[7] Ridwan, A. (2020). Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus. J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), 4(1), 15-21.
[8] Setyawan, D., & Suradi, A. (2017). Implementasi web service dan analisis kinerja algoritma klasifikasi data mining untuk memprediksi diabetes mellitus. Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, 8(2), 701-710.
[9] Mustafa, M. S., & Simpen, I. W. (2019, August). Implementasi Algoritma K-Nearest Neighbor (KNN) Untuk Memprediksi Pasien Terkena Penyakit Diabetes Pada Puskesmas Manyampa Kabupaten Bulukumba. In SISITI: Seminar Ilmiah Sistem Informasi dan Teknologi Informasi (Vol. 8, No. 1).
[10] Hayuningtyas, R. Y., & Sari, R. (2022). Implementasi Data Mining Dengan Algoritma Multiple Linear Regression Untuk Memprediksi Penyakit Diabetes. Jurnal Teknik Komputer AMIK BSI, 8(1), 40-44.
[11] Afif, A. (2020). Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus di Rumah Sakit Aisyiah. JURNAL ILMU KOMPUTER DAN MATEMATIKA, 1(1), 40-46.
[12] Siallagan, R. A. (2021). PREDIKSI PENYAKIT DIABETES MELLITUS MENGGUNAKAN ALGORITMA C4. 5. Jurnal Responsif: Riset Sains dan Informatika, 3(1), 44-52.
[13] Hana, F. M. (2020). Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4. 5. Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), 4(1), 32-39.
[14] Novianti, N., Zarlis, M., & Sihombing, P. (2022). Penerapan Algoritma Adaboost Untuk Peningkatan Kinerja Klasifikasi Data Mining Pada Imbalance Dataset Diabetes. JURNAL MEDIA INFORMATIKA BUDIDARMA, 6(2), 1200-1206.
[15] Nurdiana, N., Rodiyansyah, S. F., & Algifari, A. (2020). Studi Komparasi Algoritma ID3 dan Algoritma Naive Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus. INFOTECH journal, 6(2), 18-23.
[16] Pramadhana, D. (2021). Klasifikasi Penyakit Diabetes Menggunakan Metode CFS Dan ROS dengan Algoritma J48 Berbasis Adaboost. Edumatic: Jurnal Pendidikan Informatika, 5(1), 89-98.
[17] Pahlevi, R., Fredlina, K. Q., & Utami, N. W. (2021). Penerapan Algoritma Id3 Dan Svm Pada Klasifikasi Penyakit Diabetes Melitus Tipe 2. Prosiding Snast, 64-75.
[18] Septiani, W. D., & Marlina, M. (2021). Comparison of Decision Tree, Naïve Bayes, and Neural Network Algorithm for Early Detection of Diabetes. Jurnal Pilar Nusa Mandiri, 17(1), 73-78.
[19] Maulidah, N., Supriyadi, R., Utami, D. Y., Hasan, F. N., Fauzi, A., & Christian, A. (2021). Prediksi Penyakit Diabetes Melitus Menggunakan Metode Support Vector Machine dan Naive Bayes. Indonesian Journal on Software Engineering (IJSE), 7(1), 63-68.
[20] Elfaladonna, F., & Rahmadani, A. (2019). Analisa Metode Classification-Decission Tree dan Algoritma C. 45 untuk Memprediksi Penyakit Diabetes dengan Menggunakan Aplikasi Rapid Miner. SINTECH (Science And Information Technology) Journal, 2(1), 10-17.
[2] Wulansari, D. D., & Wulandari, D. D. (2018). Pengembangan Model Hewan Coba Tikus Diabetes Mellitus Tipe 2 dengan Induksi Diet Tinggi Fruktosa Intragastrik. Media Pharmaceutica Indonesiana, 2(1), 41-47.
[3] Silalahi, L. (2019). Hubungan pengetahuan dan tindakan pencegahan diabetes mellitus tipe 2. Jurnal Promkes: The Indonesian Journal of Health Promotion and Health Education, 7(2), 223-232.
[4] Setiawan, H., Suhanda, S., Sopatilah, E., Rahmat, G., Wijaya, D. D., & Ariyanto, H. (2018). Hubungan tingkat pengetahuan dengan kecemasan penderita diabetes mellitus. Proceeding of The URECOL, 241-248.
[5] Aris, F., & Benyamin, B. (2019). Penerapan Data Mining untuk Identifikasi Penyakit Diabetes Melitus dengan Menggunakan Metode Klasifikasi. Router Research, 1(1), 1-6.
[6] Putri, S. U., Irawan, E., & Rizky, F. (2021). Implementasi Data Mining Untuk Prediksi Penyakit Diabetes Dengan Algoritma C4. 5. Kesatria: Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen), 2(1), 39-46.
[7] Ridwan, A. (2020). Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus. J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), 4(1), 15-21.
[8] Setyawan, D., & Suradi, A. (2017). Implementasi web service dan analisis kinerja algoritma klasifikasi data mining untuk memprediksi diabetes mellitus. Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, 8(2), 701-710.
[9] Mustafa, M. S., & Simpen, I. W. (2019, August). Implementasi Algoritma K-Nearest Neighbor (KNN) Untuk Memprediksi Pasien Terkena Penyakit Diabetes Pada Puskesmas Manyampa Kabupaten Bulukumba. In SISITI: Seminar Ilmiah Sistem Informasi dan Teknologi Informasi (Vol. 8, No. 1).
[10] Hayuningtyas, R. Y., & Sari, R. (2022). Implementasi Data Mining Dengan Algoritma Multiple Linear Regression Untuk Memprediksi Penyakit Diabetes. Jurnal Teknik Komputer AMIK BSI, 8(1), 40-44.
[11] Afif, A. (2020). Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus di Rumah Sakit Aisyiah. JURNAL ILMU KOMPUTER DAN MATEMATIKA, 1(1), 40-46.
[12] Siallagan, R. A. (2021). PREDIKSI PENYAKIT DIABETES MELLITUS MENGGUNAKAN ALGORITMA C4. 5. Jurnal Responsif: Riset Sains dan Informatika, 3(1), 44-52.
[13] Hana, F. M. (2020). Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4. 5. Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), 4(1), 32-39.
[14] Novianti, N., Zarlis, M., & Sihombing, P. (2022). Penerapan Algoritma Adaboost Untuk Peningkatan Kinerja Klasifikasi Data Mining Pada Imbalance Dataset Diabetes. JURNAL MEDIA INFORMATIKA BUDIDARMA, 6(2), 1200-1206.
[15] Nurdiana, N., Rodiyansyah, S. F., & Algifari, A. (2020). Studi Komparasi Algoritma ID3 dan Algoritma Naive Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus. INFOTECH journal, 6(2), 18-23.
[16] Pramadhana, D. (2021). Klasifikasi Penyakit Diabetes Menggunakan Metode CFS Dan ROS dengan Algoritma J48 Berbasis Adaboost. Edumatic: Jurnal Pendidikan Informatika, 5(1), 89-98.
[17] Pahlevi, R., Fredlina, K. Q., & Utami, N. W. (2021). Penerapan Algoritma Id3 Dan Svm Pada Klasifikasi Penyakit Diabetes Melitus Tipe 2. Prosiding Snast, 64-75.
[18] Septiani, W. D., & Marlina, M. (2021). Comparison of Decision Tree, Naïve Bayes, and Neural Network Algorithm for Early Detection of Diabetes. Jurnal Pilar Nusa Mandiri, 17(1), 73-78.
[19] Maulidah, N., Supriyadi, R., Utami, D. Y., Hasan, F. N., Fauzi, A., & Christian, A. (2021). Prediksi Penyakit Diabetes Melitus Menggunakan Metode Support Vector Machine dan Naive Bayes. Indonesian Journal on Software Engineering (IJSE), 7(1), 63-68.
[20] Elfaladonna, F., & Rahmadani, A. (2019). Analisa Metode Classification-Decission Tree dan Algoritma C. 45 untuk Memprediksi Penyakit Diabetes dengan Menggunakan Aplikasi Rapid Miner. SINTECH (Science And Information Technology) Journal, 2(1), 10-17.
Published
2022-06-30
How to Cite
Purba, W., Yessy, Y., & Gulo, R. N. (2022). APPLICATION OF DATA MINING TO IDENTIFY DIABETES MELLITUS USING THE SUPPORT VECTOR MACHINE (SVM) ALGORITHM AND KNN. INFOKUM, 10(02), 994-1000. Retrieved from http://infor.seaninstitute.org/index.php/infokum/article/view/453
Section
Articles
