Implementasi Metode Adaboost untuk Mengoptimasi Klasifikasi Penyakit Diabetes dengan Algoritma Naive Bayes

Lidia Pebrianti (Program Studi Ilmu Komputer, FMIPA, Universitas Negeri Medan)
Fitrahuda Aulia (Program Studi Ilmu Komputer, FMIPA, Universitas Negeri Medan)
Halimatun Nisa (Program Studi Ilmu Komputer, FMIPA, Universitas Negeri Medan)
Kana Saputra S (Program Studi Ilmu Komputer, FMIPA, Universitas Negeri Medan)

JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)
Vol 7, No 2 (2022): JUSTINDO

Diabetes melitus adalah penyakit metabolik yang disebabkan oleh kegagalan tubuh menggunakan insulin atau tidak adanya insulin kimia, karena itu kadar gula dalam darah tidak dapat terkendali. Menurut International Diabetes Federation (IDF), saat ini dinilai untuk jumlah penderita diabetes di Indonesia bisa mencapai 28,57 juta pada tahun 2045. Jumlah ini 47% lebih besar daripada 19,47 juta dari tahun 2021. Penderita diabetes diketahui melonjak 167% dibandingkan dengan penderita diabetes pada tahun 2011 yang mencapai 7,29 juta. Secara umum, IDF mengukur jumlah penderita diabetes di dunia dapat mencapai 783,7 juta orang pada tahun 2045. Jumlah ini meningkat 46% dibandingkan dengan tahun 2021 yang mencapai 536,6 juta. Adaboost adalah Algoritma Boosting yang paling terkenal, dapat digunakan dengan tujuan untuk meningkatkan keakuratan kinerja pembelajaran Machine Learning Naïve Bayes, sehingga dapat mengurangi noise dalam kumpulan data yang berukuran besar dengan beberapa kelas atau multi kelas. .Dengan menggunakan split data 60/40 Algoritma Naïve Bayes menghasilkan akurasi sebesar 0.7608. Sedangkan untuk hasil Naïve Bayes yang di boosting dengan menggunakan algoritma  Adaboost adalah sebesar 0,7694.