Klasifikasi penyakit diabetes menggunakan algoritma decision tree

Nurussakinah, Nurussakinah and Faisal, Muhammad ORCID: https://orcid.org/0000-0003-4884-7254 (2023) Klasifikasi penyakit diabetes menggunakan algoritma decision tree. Jurnal Informatika, 10 (2). pp. 143-149. ISSN 2355-6579

Preview

Text 17886.pdf - Published Version Available under License Creative Commons Attribution Share Alike. Download (525kB) | Preview

Abstract

Penyakit diabetes merupakan salah satu penyakit kronis yang prevalensinya terus meningkat di seluruh dunia. Diagnosis dini menjadi permasalahan utama dalam pengelolaan penyakit diabetes di mana banyak pasien tidak menyadari penyakit mereka sampai gejala serius muncul. Klasifikasi penyakit diabetes membantu mengidentifikasi diabetes pada tahap awal untuk intervensi yang lebih efektif. Penelitian ini menggunakan algoritma Decision Tree untuk mengidentifikasi serta mengklasisfikasikan pasien diabetes. Dataset bersal dari kumpulan data klinis pasien diabetes dan membangun model klasifikasi menggunakan algoritma Decision Tree. Model yang dihasilkan mampu mengidentifikasi pasien diabetes dengan tingkat akurasi yang tinggi berdasarkan data klinis yang terkumpul. Hasil evaluasi model menunjukkan presisi sebesar 0.78, recall sebesar 0.45, dan F1-score sebesar 0.57 untuk kelas positif diabetes. Namun, hasil evaluasi juga menunjukkan adanya batasan pada kinerja model dalam mengklasifikasikan pasien diabetes dengan recall yang lebih rendah. Oleh karena itu, penelitian ini memberikan landasan untuk pengembangan lebih lanjut guna meningkatkan performa model klasifikasi ini, seperti dengan mempertimbangkan atribut klinis lainnya yang relevan.

Item Type:	Journal Article
Keywords:	diabetes; klasifikasi; algoritma decision tree
Subjects:	08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing > 080109 Pattern Recognition and Data Mining
Divisions:	Faculty of Technology > Department of Informatics Engineering
Depositing User:	Muhammad Faisal
Date Deposited:	04 Jan 2024 15:03

Downloads

Origin of downloads

Actions (login required)

View Item