BEST FIRST FEATURE SELECTION DAN RADIAL BASIS FUNCTION UNTUK KLASIFIKASI PENYAKIT DIABETES

Nursuci Putri Husain

Abstract


Diabetes merupakan salah satu penyebab kematian terbesar di dunia. Penyakit diabetes dapat menyebabkan komplikasi seperti stroke, gagal ginjal, kebutaan yang bisa menyebabkan kecacatan. Sehingga diperlukan model prediksi untuk mengklasifikasikan seseorang mengidap penyakit diabetes atau tidak secara otomatis. Pada penelitian ini diajukan metode kombinasi Best First Feature Selection (BF Feature Selection) dan Radial Basis Function (RBF) untuk mengklasifikasikan penyakit diabetes. BF Feature Selection sebagai metode untuk mereduksi fitur-fitur pada dataset diabetes. BF Feature Selection mendapatkan 5 fitur yang paling relevan. Selanjutnya, dilakukan klasifikasi terhadap fitur-fitur tersebut menggunakan metode RBF.  Uji coba dilakukan dengan menggunakan dataset diabetes dari UCI repository. Pengujian dilakukan dengan membandingan hasil klasifikasi metode yang diajukan dengan metode yang berbeda pada penelitian sebelumnya. Berdasarkan hasil uji coba, metode yang diajukan mendapatkan nilai akurasi yang tinggi untuk 70-30% training testing partisi yaitu 82,17%. Dari hasil evaluasi tersebut dapat disimpulkan bahwa metode yang diajukan dapat digunakan sebagai metode klasifikasi penyakit diabetes secara otomatis.


Keywords


Diabetes; Klasifikasi; Reduksi Fitur; RBF.

Full Text:

PDF

References


Dash, C. S. K., Behera, A. K., Dehuri, S., & Cho, S. B. (2016). Radial basis function neural networks: A topical state-of-the-art survey. Open Computer Science, 6(1), 33–63. https://doi.org/10.1515/comp-2016-0005

Hall, M. A. (2000). Feature Selection for Discrete and Numeric Class Machine Learning 1 Introduction. Machine Learning Proc Seventeenth International Conference on Machine Learning, 1–16.

Husain, N. P., Arisa, N. N., Rahayu, P. N., Arifin, A. Z., & Herumurti, D. (2017). Least Squares Support Vector Machines Parameter Optimization Based. 1, 43–49.

Kharroubi, A. T. (2015). Diabetes mellitus: The epidemic of the century. World Journal of Diabetes, 6(6), 850. https://doi.org/10.4239/wjd.v6.i6.850

Ogedengbe, M. T., & Egbunu, C. O. (2020). CSE-DT Features selection technique for Diabetes classification. Applications of Modelling and Simulation, 4(March), 101–109.

Tapak, L., Mahjub, H., Hamidi, O., & Poorolajal, J. (2013). Real-data comparison of data mining methods in prediction of diabetes in Iran. Healthcare Informatics Research, 19(3), 177–185. https://doi.org/10.4258/hir.2013.19.3.177

Wu, H., Yang, S., Huang, Z., He, J., & Wang, X. (2018). Type 2 diabetes mellitus prediction model based on data mining. Informatics in Medicine Unlocked, 10(August 2017), 100–107. https://doi.org/10.1016/j.imu.2017.12.006




DOI: https://doi.org/10.47398/iltek.v16i1.588

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 ILTEK : Jurnal Teknologi

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Terindeks di :

google scholar – E-Bulletin Akbid Griya Husada Surabaya          

Index of /public/site/images/nikenfebrina 

 

Apa itu DOI pada naskah jurnal ilmiah - Info Dosen Blog

  

 WorldCat - Wikipedia   

News

Welcome to ROAD | ROAD

 

Download HD Member In - Scilit Logo Transparent PNG Image - NicePNG.com

Bielefeld Academic Search Engine | Journal of Sustainable Engineering:  Proceedings Series

 

 

Crossref Similarity Check logo View My Stats Free counters! HTML hit counter - Quick-counter.net