MENGUKUR TINGKAT AKURASI 6 MODEL REGRESI DALAM MACHINE LEARNING UNTUK ESTIMASI PENYAKIT DIABETES

Feby Wulandari Sembiring

Abstract


Abstract: This research aims to develop a companion application that uses the regression method as a warning system for the public in maintaining blood sugar levels to minimize the risk of diabetes based on machine learning. Diabetes is one of the diseases with the highest death rate in Indonesia, but the public's low awareness of checking blood sugar levels regularly is due to the high cost of controlling it at hospitals or clinics. This has an impact on increasing the prevalence of diabetes and state losses. This research utilizes the linear regression method with 6 regression models and 3 testing methods to find the best and most accurate model in predicting diabetes levels. Data was processed using Jupyter Notebook tools with the Python programming language. It is hoped that the results of this research can contribute to increasing public awareness of the importance of maintaining healthy blood sugar to prevent diabetes.

Keywords: machine learning; regression; diabetes; warning system.

 

Abstrak: Penelitian ini bertujuan untuk mengembangkan sebuah aplikasi pendamping yang menggunakan metode regresi sebagai warning system bagi masyarakat dalam menjaga kadar gula darah untuk meminimalisir risiko diabetes berbasis machine learning. Diabetes merupakan salah satu penyakit dengan angka kematian tertinggi di Indonesia, namun rendahnya kesadaran masyarakat dalam memeriksa kadar gula darah secara berkala disebabkan oleh mahalnya biaya pengontrolan di rumah sakit atau klinik. Hal ini berdampak pada meningkatnya prevalensi diabetes dan kerugian negara. Penelitian ini memanfaatkan metode regresi linier dengan 6 model regresi dan 3 metode pengujian untuk mencari model yang paling baik dan akurat dalam memprediksi kadar diabetes. Data diproses menggunakan tools Jupyter Notebook dengan bahasa pemrograman Python. Hasil penelitian ini diharapkan dapat memberikan kontribusi dalam meningkatkan kesadaran masyarakat akan pentingnya menjaga kesehatan gula darah untuk mencegah diabetes.

Kata Kunci: machine learning; regresi; diabetes; warning system.


Full Text:

PDF

References


A. Raup, W. Ridwan, Y. Khoeriyah, S. Supiana, and Q. Y. Zaqiah, “Deep Learning dan Penerapannya dalam Pembelajaran,” JIIP - J. Ilm. Ilmu Pendidik., vol. 5, no. 9, pp. 3258–3267, 2022, doi: 10.54371/jiip.v5i9.805.

M. I. Gunawan, D. Sugiarto, and I. Mardianto, “Peningkatan Kinerja Akurasi Prediksi Penyakit Diabetes Mellitus Menggunakan Metode Grid Seacrh pada Algoritma Logistic Regression,” J. Edukasi dan Penelit. Inform., vol. 6, no. 3, p. 280, 2020, doi: 10.26418/jp.v6i3.40718.

C. W. Imam, R. Ariyanti, and V. D. P. Putri, “Edukasi Kesehatan dalam Upaya Pencegahan Penyakit Diabetes di Era Pandemi COVID-19,” JPKMI (Jurnal Pengabdi. Kpd. Masy. Indones., vol. 2, no. 3, pp. 238–242, 2021, doi: 10.36596/jpkmi.v2i3.187.

Gunawan, M.I., Sugiarto, D. and Mardianto, I., 2020. Peningkatan Kinerja Akurasi Prediksi Penyakit Diabetes Mellitus Menggunakan Metode Grid Seacrh pada Algoritma Logistic Regression. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 6(3), pp.280-284.

Imam, C.W., Ariyanti, R. and Putri, V.D.P., 2021. Edukasi Kesehatan dalam Upaya Pencegahan Penyakit Diabetes di Era Pandemi COVID-19. JPKMI (Jurnal Pengabdian Kepada Masyarakat Indonesia), 2(3), pp.238-242.

Haryadi, D., Atmaja, D.M.U., Hakim, A.R. and Suwaryo, N., 2021, December. Tik-50 Identifikasi Tingkat Resiko Penyakit Stroke Menggunakan Algoritma Regresi Linear Berganda. In Prosiding Seminar Nasional Teknologi Energi dan Mineral (Vol. 1, No. 2, pp. 1198-1207).

Kaur, H. and Kumari, V., 2020. Predictive modelling and analytics for diabetes using a machine learning approach. Applied computing and informatics.

Hayuningtyas, R.Y. and Sari, R., 2022. Implementasi Data Mining Dengan Algoritma Multiple Linear Regression Untuk Memprediksi Penyakit Diabetes. Jurnal Teknik Komputer, 8(1), pp.40-44.

Siregar, A.M., 2022. Model Analisis Kasus Covid-19 Di Indonesia Menggunakan Algoritma Regresi Linier Dan Random Forest. Petir, 15(1).

Ridwan, D.I., Setianingsih, C. and Murti, M.A., 2021. Prediksi Penggunaan Energi Listrik Mengunakan Metode Support Vector Regression. eProceedings of Engineering, 8(6).

Asrianda, A., Aidilof, H.A.K.




DOI: https://doi.org/10.54314/teknisi.v4i1.1805

Article Metrics

Abstract view : 407 times
PDF - 144 times

Refbacks

  • There are currently no refbacks.