Klasifikasi Penderita Diabetes menggunakan Algoritma Machine Learning dan Z-Score

Abstract

Diabetes merupakan salah satu penyakit mematikan dan kronis ditandai dengan peningkatan gula darah. Banyak komplikasi terjadi jika diabetes tidak diobati dan tidak teridentifikasi. Proses identifikasi umumnya dilakukan dengan kunjungan ke pusat diagnostik dan dokter konsultasi membuat pasien bosan. Pendekatan machine learning dapat memecahkan masalah identifikasi penyakit diabetes. Namun, rentang nilai variabel penentu penyakit diabetes yang tidak seimbang mempengaruhi kualitas hasil machine learning. Penelitian ini memprediksi kemungkinan diabetes pada pasien penderita diabetes dari 768 wanita Indian, dengan tiga algoritma klasifikasi machine learning dan metode normalisasi Z-Score. Adapun algoritma machine learning yang digunakan adalah Decision Tree, Support Vector Machine (SVM) dan Naive Bayes. Eksperimen dilakukan pada Pima Indians Diabetes Database (PIDD) yang bersumber dari UCI Machine Lerning Repository. Kinerja ketiga algoritma dievaluasi menggunakan dengan akurasi, Precision, F1, dan Recall berdasarkan confusion matrix.  SVM merupakan algoritma yang memiliki performansi  paling tinggi dibandingkan dengan algoritma Naive Bayes dan Decision Tree, dengan akurasi 80.73% dan F1 76 %. Metode Z-Score berkontribusi positif dalam meningkatkan akurasi model klasifikasi. Lebih lanjut, penelitian ini juga berhasil mendapat akurasi yang lebih tinggi dari penelitian sebelumnya.