Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Penelitian Inovatif Malcom: Indonesian Journal of Machine Learning and Computer Science
Jaya, Winaldi Putra
Unknown Affiliation
Humanities Computer Science & IT Education Engineering Public Health Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Penelitian Inovatif

 1 
Analisis Penggunaan Support Vector Machine pada Deteksi Dini Penyakit Diabetes Melitus Septiana, Trisya; Muda, Mona Arif; Budiyanto, Deny; Pratama, Mahendra; Jaya, Winaldi Putra
Jurnal Penelitian Inovatif Vol 4 No 3 (2024): JUPIN Agustus 2024
Publisher : CV Firmos

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54082/jupin.643

Abstract

Peningkatan kadar gula dalam darah serta tidak bekerjanya insulin di dalam tubuh merupakan salah satu ciri dari penyakit diabetes melitus. Semakin lama seseorang mengidap penyakit ini, maka dapat menyebabkan komplikasi yang berdampak pada tingginya risiko kematian. Sehingga penyakit ini menjadi salah satu penyakit paling mematikan didunia. Pengendalian dan pencegahan penyakit ini dapat dilakukan dengan cara melakukan montoring secara berkala pada seseorang yang memiliki riwayat ataupun pola hidup yang tidak sehat. Salah satu cara monitoring tersebut dengan mendeteksi awal penyakit diabetes melalui identifikasi parameter pendukung dan memanfaatkan algoritma Machine learning yaitu Support Vector Machine (SVM). Cara ini dapat menjadi langkah yang siginifikan dalam meningkatkan pemahaman dan deteksi dini penyakit tersebut. Penelitian ini menggunakan 9 parameter diantaranya mencakup pregnancies, glucose, blood pressure, skin thickness, insulin, body mass index, diabetes pedigree function, age, dan outcome (sebagai output) dari 768 data.  SVM dapat memproses data klinis pasien dan membangun  model prediktif untuk mengklasifikasikan apakah seseorang mungkin menderita diabetes atau tidak. Sebelum diimplementasikan melalui SVM, dilakukan terlebih dahulu preprocessing data yang terdiri dari Pembersihan outliers, pengisian missing data value, normalisasi data, penggunaan SMOTE dan pembagian train dan test data. Dan selanjutnya dirancang analisis model machine learning dengan menerapkan cross validation dan grid search validation. Hasil dari pengolahan data ini didapatkan sebuah sistem yang divisualisasikan dalam sebuah website statis yang dapat  memudahkan kemampuan diagnosis, pengenalan dini kondisi prediabetes dengan nilai akurasi yaitu 81%.
Co-Authors Budiyanto, Deny Mahendra Pratama Muda, Mona Arif Mulyani, Yessi Puput Budi Wintoro, Puput Budi Trisya Septiana