Implementasi Orange Data Mining Untuk Prediksi Penderita Diabetes
Keywords:
Machine Learning, Data Mining, Orange Tools, Prediksi, DiabetesAbstract
Diabetes mellitus adalah salah satu penyakit yang memiliki dampak signifikan pada kesehatan masyarakat. Oleh karena itu, upaya untuk mencegah, mendeteksi, dan mengelola diabetes sangat penting. Dalam konteks ini, penelitian ini bertujuan untuk menginvestigasi implementasi Orange Data Mining dalam prediksi penderita diabetes. Metode penelitian ini melibatkan pengumpulan data medis dari sejumlah pasien yang telah didiagnosis menderita diabetes atau tidak. Data tersebut mencakup parameter-parameter seperti tekanan darah dan hasil tes glukosa darah. Data yang diperoleh digunakan sebagai dasar untuk analisis prediktif dengan menggunakan perangkat lunak Orange Data Mining. Hasil penelitian menunjukkan bahwa Orange Data Mining mampu menghasilkan model prediktif yang akurat dalam memprediksi kemungkinan seseorang menderita diabetes. Berdasarkan parameter-parameter yang digunakan, model ini dapat memberikan informasi yang berharga bagi tenaga medis dalam upaya pencegahan dan pengelolaan diabetes. Selain itu, model ini juga dapat digunakan dalam upaya penyaringan untuk mengidentifikasi individu yang berisiko tinggi terkena diabetes, sehingga tindakan pencegahan dapat diambil lebih awal. Di masa depan, penelitian lebih lanjut dan pengembangan model prediktif yang lebih canggih dapat menjadi langkah berikutnya untuk mengoptimalkan peran analisis data dalam penanganan diabetes dan penyakit kronis lainnya.References
[1] Tigga, N. P., & Garg, S. (2020). Prediction of Type 2 Diabetes using Machine Learning Classification Methods. Procedia Computer Science, 167, 706– 716. https://doi.org/10.1016/j.procs.2020.03.336
[2] Suryanto, A. A., Muqtadir, A., & Artikel, S. (2019). PENERAPAN METODE MEAN ABSOLUTE ERROR (MEA) DALAM ALGORITMA REGRESI LINEAR UNTUK PREDIKSI PRODUKSI PADI Info Artikel : ABSTRAK. 1, 11.
[3] H. Hozairi, A. Anwari, and S. Alim, “IMPLEMENTASI ORANGE DATA MINING UNTUK KLASIFIKASI KELULUSAN MAHASISWA DENGAN MODEL K-NEAREST NEIGHBOR, DECISION TREE SERTA NAIVE BAYES,†Netw. Eng. Res. Oper. Vol 6, No 2 NERO, Nov. 2021, [Online]. Available: https://nero.trunojoyo.ac.id/index.php/nero/article/view/237.
[4] Maulidah, N., Supriyadi, R., Utami, D. Y., Hasan, F. N., Fauzi, A., & Christian, A. (2021). Prediksi Penyakit Diabetes Melitus Menggunakan Metode Support Vector Machine dan Naive Bayes. Indonesian Journal on Software Engineering (IJSE), 7(1), 63–68. http://ejournal.bsi.ac.id/ejurnal/index.php/ijse63
[5] Muharrom, M. (2023). Analisis Penggunaan Orange Data Mining untuk Prediksi Harga USDT/BIDR Binance. Bulletin of Information Technology (BIT), 4(2), 178–184. https://doi.org/10.47065/bit.v3i1
[6] Ichsan, N., Fatah, H., Wahyuni, T., & Ermawati, E. (2022). IMPLEMENTASI ORANGE DATA MINING UNTUK PREDIKSI HARGA BITCOIN. JURNAL RESPONSIF, 4(2), 118–125. https://investing.com/crypto/bitcoin/historical-
[7] Said, H., Matondang, N., Nurramdhani Irmanda, H., & Informasi, S. (2022). Penerapan Algoritma K-Nearest Neighbor Untuk Memprediksi Kualitas Air Yang Dapat Dikonsumsi Application of K-Nearest Neighbor Algorithm to Predict Consumable Water Quality (Vol. 21, Issue 2). www.kaggle.com
[8] Rachman, R., Handayani, R. N., & Artikel, I. (2021). Klasifikasi Algoritma Naive Bayes Dalam Memprediksi Tingkat Kelancaran Pembayaran Sewa Teras UMKM. JURNAL INFORMATIKA, 8(2). http://ejournal.bsi.ac.id/ejurnal/index.php/ji
[9] Hasdyna, N., & Dinata, R. K. (2020). Analisis Matthew Correlation Coefficient pada K-Nearest Neighbor dalam Klasifikasi Ikan Hias. INFORMAL: Informatics Journal, 5(2), 57. https://doi.org/10.19184/isj.v5i2.18907
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Adrian Hartanto, Thoyyibah T
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.