Implementasi Metode Decision Tree pada Prediksi Penyakit Diabetes Melitus Tipe 2: Implementation of Decision Tree Method for Diabetes Mellitus Type 2 Prediction

Muhammad Fahrul Aditya; Andri Pramuntadi; Dhina Puspasari Wijaya; Yanuar Wicaksono

doi:10.57152/malcom.v4i3.1284

Authors

Muhammad Fahrul Aditya Universitas Alma Ata
Andri Pramuntadi Universitas Alma Ata
Dhina Puspasari Wijaya Universitas Alma Ata
Yanuar Wicaksono Universitas Alma Ata

DOI:

https://doi.org/10.57152/malcom.v4i3.1284

Keywords:

Akurasi, Decision Tree, Diabetes Melitus Tipe 2, K-Fold Cross Validation, Prediksi

Abstract

Diabetes Melitus Tipe 2 merupakan penyakit kronis yang apabila pankreas tidak memproduksi cukup insulin atau ketika tubuh tidak mampu menggunakan insulin yang diproduksi secara efektif. Berbagai cara telah di upayakan untuk mengurangi penderita diabetes salah satunya adalah dengan deteksi dini. Kemajuan teknologi yang sangat pesat berdampak pada dunia medis, salah satunya adalah untuk deteksi dini suatu penyakit. Proses deteksi suatu penyakit menggunakan alat yang telah diprogram dan di intervensi oleh kecerdasan buatan.Terdapat banyak metode dari kecerdasan buatan yang digunakan sebagai model prediksi, salah satunya adalah Decision Tree (DT). Penelitian ini bertujuan untuk mengimplementasikan dan membangun sebuah model prediksi penyakit Diabetes. Dataset yang digunakan adalah dataset yang berasal dari Puskesmas Mlati II Kabupaten Sleman. Model dalam penelitian ini meggunakan metode Decision Tree (Pohon Keputusan), adapun parameter yang digunakan adalah criterion = ‘entropy’, splitter = ‘best’, max_depth = None, min_samples_split = 4, min_samples_leaf = 10. Proses evaluasi model menggunakan akurasi, presisi, recall, dan f1-score yang masing-masing menghasilka nilai 92%, 0.92, 0.915, 0.915.

Downloads

Download data is not yet available.

References

World Health Organization, “Diabetes.” Accessed: Mar. 19, 2023. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/diabetes

Kementerian Kesehatan RI, “Infodatin 2020 Diabetes Melitus,” 2020.

P. Hamet and J. Tremblay, “Artificial intelligence in medicine,” Metabolism, vol. 69, pp. S36–S40, Apr. 2017, doi: 10.1016/j.metabol.2017.01.011.

M. Fallah and S. R. N. Kalhori, “Systematic review of data mining applications in patient-centered mobile-based information systems,” Healthc Inform Res, vol. 23, no. 4, pp. 262–270, Oct. 2017, doi: 10.4258/hir.2017.23.4.262.

I. Contreras and J. Vehi, “Artificial intelligence for diabetes management and decision support: Literature review,” Journal of Medical Internet Research, vol. 20, no. 5. JMIR Publications Inc., 2018. doi: 10.2196/10775.

N. R. Dzakiyullah, M. A. Burhanuddin, R. R. R. Ikram, K. A. Ghani, and W. Setyonugroho, “Machine learning methods for diabetes prediction,” International Journal of Innovative Technology and Exploring Engineering, vol. 8, no. 12, pp. 2199–2205, Oct. 2019, doi: 10.35940/ijitee.L2973.1081219.

A. Setiadi, “PENERAPAN ALGORITMA MULTILAYER PERCEPTRON UNTUK DETEKSI DINI PENYAKIT DIABETES.” [Online]. Available: http://archive.ics.uci.edu/ml/.

S. Ellahham, “Artificial Intelligence: The Future for Diabetes Care,” American Journal of Medicine, vol. 133, no. 8. Elsevier Inc., pp. 895–900, Aug. 01, 2020. doi: 10.1016/j.amjmed.2020.03.033.

D. Anggraeni, “Seminar Nasional Royal (SENAR) 2018 ISSN 2622-9986 (cetak) STMIK Royal-AMIK Royal,” 2018.

Puskesmas Sidoarjo, “Tugas dan Fungsi Puskesmas.” Accessed: Feb. 01, 2024. [Online]. Available: https://puskesmassidoarjo.sidoarjokab.go.id/?page=tupoksi#:~:text=Menurut%20Kementerian%20Kesehatan%20RI%2C%20(2014,tingkat%20pertama%2C%20dengan%20lebih%20mengutamakan

M. A. Hama Saeed, “Diabetes type 2 classification using machine learning algorithms with up-sampling technique,” Journal of Electrical Systems and Information Technology, vol. 10, no. 1, p. 8, Feb. 2023, doi: 10.1186/s43067-023-00074-5.

D. Rahma Ente, S. Astuti Thamrin, H. Kuswanto, and S. Arifin, “Klasifikasi Faktor-Faktor Penyebab Penyakit Diabetes Melitus di Rumah Sakit UNHAS Menggunakan Algoritma C4.5,” 2020.

N. Dzakiyullah, “Machine Learning Methods for Diabetes Prediction.”

A. Verma, “The data-mining industry coming of age,” IEEE Intelligent Systems and Their Applications, vol. 1, no. 1, Nov. 2022, doi: 10.1109/5254.809566.

Sriyanto and A. Ria Supriyatna, “Prediksi Penyakit Diabetes Menggunakan Algoritma Random Forest,” IJCCS, vol. x, No.x, pp. 1–5.

M. G. Pradana, P. H. Saputro, and D. P. Wijaya, “KOMPARASI METODE SUPPORT VECTOR MACHINE DAN NAÏVE BAYES DALAM KLASIFIKASI PELUANG PENYAKIT SERANGAN JANTUNG,” Indonesian Journal of Business Intelligence (IJUBI), vol. 5, no. 2, p. 87, Dec. 2022, doi: 10.21927/ijubi.v5i2.2659.

J. R. Quinlan, “Induction of Decision Trees,” 1986.

F. J. Yang, “An extended idea about decision trees,” in Proceedings - 6th Annual Conference on Computational Science and Computational Intelligence, CSCI 2019, Institute of Electrical and Electronics Engineers Inc., Dec. 2019, pp. 349–354. doi: 10.1109/CSCI49370.2019.00068.

C. A. R. Hoare, “Algorithm 64: Quicksort,” Commun ACM, vol. 4, no. 7, p. 321, Jul. 1961, doi: 10.1145/366622.366644.

Y. Shaher Alsalman, N. Khamees Abu Halemah, E. Saleh AlNagi, and W. Salameh, Using Decision Tree and Artificial Neural Network to Predict Students Academic Performance. 2019. doi: 10.1109/IACS.2019.8809106.