SeBats : Sistem Deteksi Penyakit Diabetes Berbasis Android

Dhavis Alvi Chandra; Nando Rahmat Prasetyo Mulyo; Donny Firdani; Wahyu Cahyo Utomo

Authors

Dhavis Alvi Chandra Universitas Nusantara PGRI Kediri
Nando Rahmat Prasetyo Mulyo Universitas Nusantara PGRI Kediri
Donny Firdani Universitas Nusantara PGRI Kediri
Wahyu Cahyo Utomo Universitas Nusantara PGRI Kediri

Keywords:

Naive Bayes, Klasifikasi, Diabetes, Machine Learning, Android

Abstract

Diabetes merupakan kondisi degenerative kronis yang tidandai oleh produksi insulin yang tidak mencukupi di dalam pankreas. Ada berbagai faktor yang dapat memicu diabetes, termasuk faktor kehamilan, glukosa, tekanan darah, ketebalan kulit, insulin, BMI, silsilah diabetes atau keturunan, umur, dan faktor lainnya. Berdasarkan faktor tersebut, maka orang awam akan mengetahui gejala dasar penyakit diabetes. Diperlukannya diagnose dokter melalui pemeriksaan darah untuk memastikan apakah seseorang mengidap penyakit diabetes atau tidak. Penelitian ini bertujuan untuk membangun sebuah aplikasi deteksi Diabetes menggunakan algoritma Naïve Bayes berbasis Android. Hasil penelitian dapat bermanfaat untuk masyarakat umum dalam mendeteksi penyakit diabetes sejak dini. Tahapan penelitian yaitu mengumpulkan dataset diabetes, implementasi algoritma, dan evaluasi kinerja algoritma Naïve Bayes. Hasil penelitian menunjukkan bahwa algortima Naïve Bayes dapat melakukan prediksi penyakit diabetes dengan kinerja yang baik. Nilai-nilai evaluasi kinerja algoritma Naïve Bayes untuk prediksi penyakit diabetes yaitu: accuracy 77%, recall 78%, precision 90%, dan F1-score 83%.

Downloads

Download data is not yet available.

References

H. Wu, S. Yang, Z. Huang, J. He, and X. Wang, “Type 2 diabetes mellitus prediction model based on data mining,” Informatics Med. Unlocked, vol. 10, no. August 2017, pp. 100–107, 2018, doi: 10.1016/j.imu.2017.12.006.

W. Apriliah, I. Kurniawan, M. Baydhowi, and T. Haryati, “SISTEMASI: Jurnal Sistem Informasi Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,” J. Sist. Inf., vol. 10, pp. 163–171, 2021.

A. Veronica Agustin and A. Voutama, “Implementasi Data Mining Klasifikasi Penyakit Diabetes Pada Perempuan Menggunakan Naïve Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 2, pp. 1002–1007, 2023, doi: 10.36040/jati.v7i2.6808.

N. Ningsih, A. Aprianto, and A. Angeline, “Pendekatan Data Science untuk Deteksi Dini Diabetes Menggunakan Naive Bayes Classifier,” J. Inf. Syst. Hosp. Technol., vol. 5, no. 1, pp. 26–31, 2023, doi: 10.37823/insight.v5i1.300.

N. Fuad, “Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika,” pp. 219–224, 2021.

N. D. Hendrawan, M. Fadhol, A. Herlyasa, and S. Pratama, “Pengembangan Model Machine Learning menggunakan Docker dan Flask Pada Python sebagai Deteksi Diabetes Melitus dari Pedigree Function dan Tekanan Darah,” no. November, pp. 372–378, 2022.

Heliyanti Susana, “Penerapan Model Klasifikasi Metode Naive Bayes Terhadap Penggunaan Akses Internet,” J. Ris. Sist. Inf. dan Teknol. Inf., vol. 4, no. 1, pp. 1–8, 2022, doi: 10.52005/jursistekni.v4i1.96.

R. Antoni, “MELLITUS DENGAN MENGGUNAKAN PENDEKATAN NAÏVE BAYESIAN BERBASIS WEB ( Studi Kasus : PUSKESMAS Kelurahan Grogol 3 ),” vol. 2, no. 1, pp. 334–348, 2023.

R. A. Y. Manurung and A. D. Manuputty, “Perancangan Sistem Informasi Lembaga Kemahasiswaan Universitas Kristen Satya Wacana Salatiga,” J. SITECH Sist. Inf. dan Teknol., vol. 3, no. 1, pp. 9–20, 2020, doi: 10.24176/sitech.v3i1.4703.

Q. Budiman, S. Mouton, L. Veenhoff, and A. Boersma, “ANALISIS PENGENDALIAN MUTU DI BIDANG INDUSTRI MAKANAN (Studi Kasus: UMKM Mochi Kaswari Lampion Kota Sukabumi),” J. Inov. Penelit., vol. 1, no. 0.1101/2021.02.25.432866, pp. 1–15, 2021.

R. A. Iswanto, J. Sahertian, and M. A. D. Widyadara, “Pengembangan Sistem Prediksi Kelulusan Mahasiswa Berdasarkan Nilai Disiplin, Hasil Belajar, Aktivitas Sosial Ekonomi, dan Aktivitas Organisasi Menggunakan Algoritma Naïve Bayes,” Pros. Semin. Nas. Teknol. Dan Sains, vol. 1, pp. 349–358, 2022.