Klasifikasi Diabetes Mellitus Menggunakan Support Vector Machine (Studi Kasus: Puskesmas Modopuro, Mojokerto)

Andharini Dwi Cahyani; Ari Basuki

doi:10.21107/rekayasa.v12i2.19763

Klasifikasi Diabetes Mellitus Menggunakan Support Vector Machine (Studi Kasus: Puskesmas Modopuro, Mojokerto)

Andharini Dwi Cahyani, Ari Basuki

Abstract

Diabetes Melitus (DM) merupakan salah satu penyakit dimana tubuh seorang pasien tidak dapat mengontrol tingkat konsentrasi gula (glukosa). Ada beberapa indikator kondisi tubuh pasien yang menunjukkan adanya penyakit diabetes. Pada penelitian ini dilakukan pengelompokan pasien DM dengan menggunakan metode Machine Learning. Algoritma yang digunakan adalah Support Vector Machine (SVM) yang merupakan metode klasifikasi supervised learning. SVM bekerja dengan membagi dataset menjadi 2 bagian dengan menggunakan garis linear (hyperplane) yang optimal. Target dari klasifikasi digunakan untuk memprediksi apakah pasien dengan indikator kondisi tubuh tertentu merupakan pasien DM yang terdeteksi atau tidak. Dari data yang diperoleh dari Puskesmas Modopuro, terdapat beberapa missing value. Pada penelitian ini, missing value diatasi dengan cara melakukan imputasi. Ada 3 kernel yang digunakan pada metode SVM, yaitu linear, polynomial, dan sigmoid. Pengukuran kinerja 3 jenis kernel tersebut akan menggunakan 5 subset cross validation. Nilai akurasi cross validation terbaik yang didapatkan menggunakan kernel linear, polynomial, dan sigmoid masing-masing yaitu 62%, 64%, dan 54%. Berdasarkan hasil pengamatan kernel polynomial mendapatkan hasil akurasi yang lebih baik dari kernel lainnya

Keywords

Diabetes Mellitus; Klasifikasi; Support Vector Machine

Full Text:

PDF

References

Alfian, R. (2015). Korelasi Antara Kepatuhan Minum Obat dengan Kadar Gula Darah pada Pasien Diabetes Melitus Rawat Jalan di RSUD Dr. H. Moch. Ansari Saleh Banjarmasin. Jurnal Pharmascience, 2(2), 15-23.

Aquarista, N. C. (2017). Perbedaan karakteristik penderita diabetes melitus tipe 2 dengan dan tanpa penyakit jantung koroner. Jurnal Berkala Epidemiologi, 5(1), 37-47.

Aulia, S., Hadiyoso, S., & Ramadan, D. N. (2015). Analisis Perbandingan KNN dengan SVM untuk Klasifikasi Penyakit Diabetes Retinopati berdasarkan Citra Eksudat dan Mikroaneurisma. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 3(1), 75.

Bouthoorn, S., Valstar, G. B., Gohar, A., den Ruijter, H. M., Reitsma, H. B., Hoes, A. W., & Rutten, F. H. (2018). The prevalence of left ventricular diastolic dysfunction and heart failure with preserved ejection fraction in men and women with type 2 diabetes: A systematic review and meta-analysis. Diabetes and Vascular Disease Research, 15(6), 477-493.

Carrera, E. V., González, A., & Carrera, R. (2017, August). Automated detection of diabetic retinopathy using SVM. In 2017 IEEE XXIV international conference on electronics, electrical engineering and computing (INTERCON) (pp. 1-4). IEEE.

Delima, D., Mihardja, L. K., & Ghani, L. (2016). Faktor risiko dominan penderita stroke di Indonesia. Indonesian Bulletin of Health Research, 44(1), 20146.

Fernanda, S. I., Ratnawati, D. E., & Adikara, P. P. (2017). Identifikasi Penyakit Diabetes Mellitus Menggunakan Metode Modified K-Nearest Neighbor (MKNN). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.

Handayani, F., Bintang, A. K., & Kaelan, C. (2018). Hubungan Hipertensi, Diabetes Mellitus dan Dislipidemia dengan Luaran Klinis Pasien Iskemik Stroke dengan Hipersomnia. Healthy Tadulako Journal (Jurnal Kesehatan Tadulako), 4(1), 1-6.

Isnaini, N., & Ratnasari, R. (2018). Faktor risiko mempengaruhi kejadian diabetes mellitus tipe dua. Jurnal Kebidanan Dan Keperawatan Aisyiyah, 14(1), 59-68.

Jung, Y. (2018). Multiple predicting K-fold cross-validation for model selection. Journal of Nonparametric Statistics, 30(1), 197-215.

Lathifah, N. L. (2017). Hubungan durasi penyakit dan kadar gula darah dengan keluhan subyektif penderita diabetes melitus. Jurnal berkala epidemiologi, 5(2), 231-239.

Mokolomban, C. (2018). Kepatuhan Minum Obat Pada Pasien Diabetes Melitus Tipe 2 Disertai Hipertensi Dengan Menggunakan Metode MMAS-8. Pharmacon, 7(4).

Purwanto, A., & Darmadi, E. A. (2018). Perbandingan Minat Siswa Smu Pada Metode Klasifikasi Menggunakan 5 Algoritma. ikraith-informatika, 2(1), 43-47.

Purwanti, L. E., & Maghfirah, S. (2016). Faktor risiko komplikasi kronis (kaki diabetik) dalam diabetes mellitus tipe 2. The Indonesian Journal of Health Science, 7(1).

Setiyorini, E., Wulandari, N. A., & Efyuwinta, A. (2018). Hubungan kadar gula darah dengan tekanan darah pada lansia penderita Diabetes Tipe 2. Jurnal Ners Dan Kebidanan (Journal of Ners and Midwifery), 5(2), 163-171.

Singh, A., Thakur, N., & Sharma, A. (2016, March). A review of supervised machine learning algorithms. In 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom) (pp. 1310-1315). Ieee.

Srikartika, V. M., Cahya, A. D., & Hardiati, R. S. W. (2016). Analisis faktor yang memengaruhi kepatuhan penggunaan obat pasien diabetes melitus tipe 2. Jurnal Manajemen dan Pelayanan Farmasi, 6(3), 205-212.

Verma, S., & Hussain, M. E. (2017). Obesity and diabetes: an update. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, 11(1), 73-79.