Optimasi Metode Klasifikasi dengan Particle Swarm Optimization (PSO) dan Perbandingan Split Data untuk Prediksi Penyakit Diabetes

Elly Muningsih; Sutrisno Sutrisno; Vembria Rose  Handayani; Cindyra  Galuhwardani

doi:10.58602/jaiti.v4i2.266

Elly Muningsih ^{(Corresponding Author)} Universitas Bina Sarana Informatika
Sutrisno Sutrisno Universitas Bina Sarana Informatika
Vembria Rose Handayani Universitas Bina Sarana Informatika
Cindyra Galuhwardani Universitas Bina Sarana Informatika

DOI: https://doi.org/10.58602/jaiti.v4i2.266

Keywords: Diabetes, Decision Tree, Particle Swarm Optimization (PSO), Cross Validation, metode klasifikasi

Abstract

Diabetes merupakan suatu penyakit menahun (kronis) berupa gangguan metabolis yang ditandai dengan kadar gula darah yang melebihi batas normal. Prediksi awal penyakit Diabetes menjadi sesuatu yang penting agar tidak menjadi ancaman serius bagi penderitanya. Penelitian ini akan melakukan optimasi metode Machine Learning dengan reduksi fitur Particle Swarm Optimazation (PSO) dan perbandingan dataset training dan dataset testing untuk menemukan metode dengan performance terbaik dalam prediksi penyakit Diabetes. Metode Machine Learning yang dimaksud adalah metode klasifikasi Decision Tree (DT), Iterative Dichotomiser 3 (ID3), Random Forest (RF), Support Vector System (SVM), Naïve Bayes (NB), K-Nearest Neighbor (KNN) dan Neural Network (NN). Komparasi dilakukan dengan cara pada tiap matode, dataset yang digunakan dibagi menjadi data training dan data testing (validasi) dengan perbandingan 70:30, 80:20 dan 90:10. Pengukuran dengan cara tiap perbandingan dilihat nilai akurasi dan nilai AUC (kurva ROC) tertinggi pada data testing untuk menemukan performance terbaik. Dari olah data yang dilakukan diketahui untuk nilai Akurasi perbandingan data 70:30 metode DT, ID3 dan RF yang menghasilkan nilai tertinggi sama yaitu 96,79%. Untuk perbandingan 80:20 metode DT dan ID3 menghasilkan nilai tertinggi yaitu 97,12%. Dan perbandingan 90:10, metode ID3 menghasilkan nilai tertinggi yaitu 96,19%. Untuk nilai AUC metode RF menghasilkan nilai tertinggi untuk 3 perbandingan yaitu 0,995; 0,995 dan 0,998. Selanjutnya diketahui bahwa metode RF dan NN menjadi metode yang paling stabil dalam pengolahan menggunakan split data 70:30, 80:20 dan 90:10 ditinjau dari nilai akurasi dan nilai AUC.

Downloads

Download data is not yet available.

References

J. Lemantara and T. Lusiani, “Analisis Prediksi Penyakit Diabetes Pada Wanita Menggunakan Metode Naïve Bayes Dan K-Nearest Neighbor,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4911.

E. Muningsih, F. Rizki, and K. D. Asiffa, “Diabetes Prediction System ‘Diapres’ Berbasis Optimasi Parameter Pada Metode Decision Tree,” J. Teknoinfo, vol. 18, no. 1, pp. 305–315, 2024.

E. da C. Pereira and W. Andriyani, “Prediksi Diabetes Menggunakan Machine Learning Diabetes Prediction Using Machine Learning,” Jiko (Jurnal Inform. Dankomputer), vol. 9, no. 3, pp. 639–649, 2025, doi: 10.26798/jiko.v9i3.2104.

S. Daniswara, Z. I. Arishandy, and E. Y. Puspaningrum, “Jurnal Ilmiah Klasifikasi Penyakit Diabetes Menggunakan Particle Swarm Optimaze Pada Algoritma Support Vector Machine,” J. Ilmiah, Teknol. Inf. dan Robot., vol. 7, no. 2, pp. 20–28, 2025, doi: 10.33005/jifti.v7i2.163.

F. N. Ikhromr, I. Sugiyarto, U. Faddillah, and B. Sudarsono, “Implementasi Data Mining Untuk Memprediksi Penyakit Diabetes Menggunakan Algoritma Naives Bayes dan K-Nearest Neighbor,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 6, no. 1, pp. 416–428, 2023, doi: 10.31539/intecoms.v6i1.5916.

C. A. Rahayu, R. Hartono, and A. Sudiarjo, “PREDIKSI PENDERITA DIABETES MENGGUNAKAN METODE NAIVE BAYES,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 11, pp. 261–266, 2023.

Nurussakinah and M. Faisal, “Klasifikasi Penyakit Diabetes Menggunakan Algoritma Decision Tree,” J. Inform., vol. 10, no. 2, pp. 143–149, 2023.

R. Maulana and Eliyani, “View of Diabetes Classification Algorithm Optimization Using Particle Swarm Optimization on Naïve Bayes, C4.5 and Random Forest.pdf,” J. SISFOKOM (Sistem Inf. dan Komputer), pp. 499–509, 2025.

S. Allam, P. Utomo, and D. Kurniawan, “Optimasi Model Particle Swarm Optimization (PSO) Menggunakan SMOTE Untuk Menentukan Penyakit Diabetes Mellitus,” Build. Informatics, Technol. Sci., vol. 6, no. 4, pp. 2659–2671, 2025, doi: 10.47065/bits.v6i4.7111.

A. A. G. A. Pranandita and I. M. Widiartha, “View of Optimasi Metode Support Vector Machine (SVM) Mengunakan Particle Swarm Optimization pada Permasalahan Klasifikasi Diabetes.pdf,” JNATIA, J. Nas. Teknol. Inf. dan Apl., vol. 3, pp. 879–888, 2025.

S. Fitriani, E. Budiman, M. Fadli, M. Surono, and H. Sulistiani, “Optimalisasi Metode Random Forest menggunakan Particle Swarm Optimization dalam Prediksi Prestasi Mahasiswa,” Pros. Semin. Nas. Teknol. Komput. dan Sains, vol. 3, no. 1, pp. 406–415, 2025, [Online]. Available: https://prosiding.seminars.id/sainteks

E. E. Ogheneovo and P. A. Nlerum, “Iterative Dichotomizer 3 (ID3) Decision Tree: A Machine Learning Algorithm for Data Classification and Predictive Analysis,” Int. J. Adv. Eng. Res. Sci., vol. 7, no. 4, pp. 514–521, 2020, doi: 10.22161/ijaers.74.60.

Y. Meraihi, A. B. Gabis, S. Mirjalili, A. Ramdane-Cherif, and F. E. Alsaadi, Machine Learning-Based Research for COVID-19 Detection, Diagnosis, and Prediction: A Survey, vol. 3, no. 4. Springer Nature Singapore, 2022. doi: 10.1007/s42979-022-01184-z.

K. Adhatrao, A. Gaykar, A. Dhawan, R. Jha, and V. Honrao, “Predicting Students’ Performance Using ID3 and C4.5 Classification Algorithms,” Int. J. Data Min. Knowl. Manag. Process, vol. 3, no. 5, pp. 39–52, 2013, doi: 10.5121/ijdkp.2013.3504.

S. Yang, J. Z. Guo, and J. W. Jin, “An improved Id3 algorithm for medical data classification,” Comput. Electr. Eng., vol. 65, pp. 474–487, 2018, doi: 10.1016/j.compeleceng.2017.08.005.

M. Abdar, S. R. N. Kalhori, T. Sutikno, I. M. I. Subroto, and G. Arji, “Comparing performance of data mining algorithms in prediction heart diseses,” Int. J. Electr. Comput. Eng., vol. 5, no. 6, pp. 1569–1576, 2015, doi: 10.11591/ijece.v5i6.pp1569-1576.

J. W. Chung, W. J. Kim, S. Beom Choi, J. S. Park, and D. W. Kim, “Screening for pre-diabetes using support vector machine model,” 2014 36th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBC 2014, vol. 2014, pp. 2472–2475, 2014, doi: 10.1109/EMBC.2014.6944123.

D. T. Wilujeng, M. Fatekurohman, and I. M. Tirta, “Analisis Resiko Kredit Perbankan Menggunakan Algoritma K-Nearest Neighbor dan Nearest Weighted K-Nearest Neighbor,” Indones. J. Appl. Stat., vol. 5, no. 2, pp. 142–148, 2023.

A. D. Putri, F. Sholekhah, and E. Dadynata, “The Application of C4.5 Decision Tree Algorithm for Predicting the Survival Rate of Thyroid Cancer Patients,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. October, pp. 1485–1495, 2024.