Peningkatan Kinerja Klasifikasi Naive Bayes dengan Fitur Adaboost pada Penyakit Diabetes

Authors

  • Eni Rohaini Universitas Dinamika Bangsa
  • Nurhayati Universitas Dinamika Bangsa
  • Riza Pahlevi Universitas Dinamika Bangsa
  • Gunardi Universitas Dinamika Bangsa
  • Jasmir Universitas Dinamika Bangsa

DOI:

https://doi.org/10.53513/jursi.v4i4.11194

Keywords:

Diabetes, Fitur AdaBoost, Naïve Bayes, Peningkatan Akurasi, Pembelajaran Mesin

Abstract

Diabetes adalah gangguan metabolisme kronis yang ditandai dengan tingginya kadar gula (glukosa) dalam darah. Diabetes memerlukan perhatian dan manajemen yang berkelanjutan untuk mencegah komplikasi yang dapat memengaruhi kualitas hidup penderita. Dalam menghadapi kondisi ini, deteksi dini diabetes menjadi krusial untuk mencegah komplikasi yang lebih serius. Pemanfaatan teknologi dianggap sebagai solusi untuk mengurangi kesalahan estimasi. Dalam penelitian ini, digunakan metode Naïve Bayes berkolaborasi dengan fitur  Adaptive Boosting (AdaBoost). Tujuan dari penelitian ini adalah untuk meningkatkan kinerja metode klasifikasi Naive Bayes dengan menggunakan fitur AdaBoost. Dataset yang digunakan diambil dari situs Kaggle. Temuan menunjukkan bahwa fitur Adaboost mempu meningkatkan nilai evaluasi kinerja klasifikasi naive bayes. Algoritma naïve bayes mengalami peningkatan akurasi sebesar 4,94%, presisi sebesar 4,22%, recall sebesar 6,6% dan f1-score 5,42%.

References

American Diabetes Association, “Classification and Diagnosis of Diabetes: Standards ofMedical Care in Diabetes,” Diabetes Care, vol. 45, no. Suppl, pp. 17–38, 2022.

Z. T. Bloomgarden, “Diabetes and COVID-19,” J. Diabetes, vol. 12, no. 4, pp. 347–348, 2020, doi: 10.1111/1753-0407.13027.

Y. Zhu, B. Kong, R. Liu, and Y. Zhao, “Developing biomedical engineering technologies for reproductive medicine,” Smart Med., vol. 1, no. 1, 2022, doi: 10.1002/smmd.20220006.

I. W. T. Wahyudi and I. G. A. G. A. Kadyanan, “Implementasi Logistic Regression dalam Sistem Diagnosa Penyakit Diabetes dengan KNN,” JELIKU (Jurnal Elektron. Ilmu Komput. Udayana), vol. 11, no. 4, p. 743, 2023, doi: 10.24843/jlk.2023.v11.i04.p12.

H. Nizar, A. S. Shafira, J. Aufaresa, M. A. Awliya, and U. Athiyah, “Perbandingan Metode Logika Fuzzy Untuk Diagnosa Penyakit Diabetes,” Explor. Sist. Inf. dan Telemat., vol. 12, no. 1, p. 37, 2021, doi: 10.36448/jsit.v12i1.1763.

D. Diana Dewi, N. Qisthi, S. S. S. Lestari, and Z. H. S. Putri, “Perbandingan Metode Neural Network Dan Support Vector Machine Dalam Klasifikasi Diagnosa Penyakit Diabetes,” Cerdika J. Ilm. Indones., vol. 3, no. 09, pp. 828–839, 2023, doi: 10.59141/cerdika.v3i09.662.

L. K. Foo, S. L. Chua, and N. Ibrahim, “Attribute weighted naïve bayes classifier,” Comput. Mater. Contin., vol. 71, no. 1, pp. 1945–1957, 2022, doi: 10.32604/cmc.2022.022011.

Y. J. Choi, G. Farnadi, B. Babaki, and G. Van Den Broeck, “Learning fair naive bayes classifiers by discovering and eliminating discrimination patterns,” AAAI 2020 - 34th AAAI Conf. Artif. Intell., pp. 10077–10084, 2020, doi: 10.1609/aaai.v34i06.6565.

D. Berrar, “Bayes’ theorem and naive bayes classifier,” Encycl. Bioinforma. Comput. Biol. ABC Bioinforma., vol. 1–3, no. 2018, pp. 403–412, 2018, doi: 10.1016/B978-0-12-809633-8.20473-1.

T. Septiani Nurfauzia Koeswara, M. Sukrisno Mardiyanto, and M. Abdul Ghani, “Penerapan Particle Swarm Optimization (PSO) Dalam Pemilihan Atribut Untuk Meningkatkan Akurasi Prediksi Diagnosispenyakit Hepatitis Dengan Metode Naive Bayes,” J. Speed – Sentra Penelit. Eng. dan Edukasi, vol. 12, no. 1, pp. 1–10, 2020.

A. Samosir, M. S. Hasibuan, W. E. Justino, and T. Hariyono, “Komparasi Algoritma Random Forest, Naïve Bayes dan K- Nearest Neighbor Dalam klasifikasi Data Penyakit Jantung,” Pros. Semin. Nas. Darmajaya, vol. 1, no. 0, pp. 214–222, 2021, [Online]. Available: https://jurnal.darmajaya.ac.id/index.php/PSND/article/view/2955

W. A. Amanda, “Klasifikasi Pasien Gagal Jantung Menggunakan Metode Naive Bayes Dengan Penerapan Diskritisasi,” no. February, p. 6, 2021.

A. W. Baur, M. Breitsprecher, and M. Bick, “Catching Fire : Start-Ups in the Text Analytics Software Industry,” pp. 1–14, 2014.

X. Deng, Y. Li, J. Weng, and J. Zhang, “Feature selection for text classification: A review,” Multimed. Tools Appl., vol. 78, no. 3, pp. 3797–3816, 2019, doi: 10.1007/s11042-018-6083-5.

K. Kurniabudi, A. Harris, and E. Rosanda, “Optimalisasi Seleksi Fitur Untuk Deteksi Serangan Pada IoT Menggunakan Classifier Subset Evaluator,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 4, p. 885, 2022, doi: 10.30865/jurikom.v9i4.4618.

J. Jasmir, S. Nurmaini, R. F. Malik, and B. Tutuko, “Bigram feature extraction and conditional random fields model to improve text classification clinical trial document,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 19, no. 3, pp. 886–892, 2021, doi: https://doi.org/10.12928/TELKOMNIKA.v19i3.18357.

A. Lestari, “Increasing Accuracy of C4.5 Algorithm Using Information Gain Ratio and Adaboost for Classification of Chronic Kidney Disease,” J. Soft Comput. Explor., vol. 1, no. 1, pp. 32–38, 2020, doi: 10.52465/joscex.v1i1.6.

W. Wang and D. Sun, “The improved AdaBoost algorithms for imbalanced data classification,” Inf. Sci. (Ny)., vol. 563, pp. 358–374, 2021, doi: 10.1016/j.ins.2021.03.042.

Y. Wang and L. Feng, “Improved Adaboost Algorithm for Classification Based on Noise Confidence Degree and Weighted Feature Selection,” IEEE Access, vol. 8, pp. 153011–153026, 2020, doi: 10.1109/ACCESS.2020.3017164.

B. Tang, S. Kay, and H. He, “Toward Optimal Feature Selection in Naive Bayes for Text Categorization,” IEEE Trans. Knowl. Data Eng., vol. 28, no. 9, pp. 2508–2521, 2016, doi: 10.1109/TKDE.2016.2563436.

M. Elhadad, D. Gabay, and Y. Netzer, “Automatic Evaluation of Search Ontologies in the Entertainment Domain using Text Classification”.

A. Choi, “Structured Features in Naive Bayes Classification,” pp. 3233–3240.

Downloads

Published

2025-07-21