Perbandingan Akurasi Algoritma Adaboost Dan Algoritma Lightgbm Untuk Klasifikasi Penyakit Diabetes
DOI:
https://doi.org/10.34818/eoe.v8i5.15771Abstract
Diabetes dikenal sebagai penyakit epidemi yang berdampak di hampir setiap negara, kelompok usia, dan faktor ekonomi di seluruh dunia. Di Indonesia sendiri, berdasarkan data dari IDF tahun 2020, dari total populasi orang dewasa sebanyak 172 juta jiwa, 10.5 juta jiwa mengidap diabetes. Ketika merancang software atau perangkat lunak diagnosis medis, prediksi penyakit menjadi salah satu tugas yang memakan banyak waktu dikarenakan terdapat banyak aspek yang masing-masing harus diperiksa berdasarkan data yang ada. Teknik pembelajaran mesin atau Machine Learning pun digunakan sebagai alat bantu melakukan diagnosis medis. Pada penelitian ini, penulis membandingkan akurasi dari algoritma AdaBoost dengan algoritma LightGBM dalam mengklasifikasikan penyakit diabetes dengan tujuan untuk mengetahui algoritma mana yang memiliki tingkat akurasi paling tinggi dan mengetahui evaluasi model dari masing-masing pemodelan. Untuk dataset yang digunakan adalah dataset Pima Indians Diabetes Database yang memiliki jumlah data sebanyak 768 data. Dari hasil penelitian tersebut, didapatkan bahwa algoritma LightGBM memiliki nilai akurasi yang lebih tinggi dibandingkan dengan algoritma AdaBoost dengan nilai akurasi LightGBM sebesar 91.67% dan nilai AUC sebesar 0.9704 dibandingkan dengan algoritma AdaBoost yang memiliki nilai akurasi sebesar 91.14% dan nilai AUC sebesar 0.9693. Kata Kunci: Data Mining, AdaBoost, LightGBM, Klasifikasi, Pima Indians Diabetes DatabaseDownloads
References
[1] K. Papatheodorou, M. Banach, E. Bekiari, M. Rizzo, and M. Edmonds, “Complications of Diabetes 2017,” J. Diabetes Res., vol. 2018, 2018, doi: 10.1155/2018/3086167.
[2] Kementerian Kesehatan, “HARI DIABETES SEDUNIA TAHUN 2018 Definisi Diabetes,” pp. 1–10, 2018.
[3] A. Choudhury and D. Gupta, A Survey on Medical Diagnosis of Diabetes Using Machine Learning Techniques, vol. 740. Springer Singapore, 2019.
[4] G. Carleo et al., “Machine learning and the physical sciences,” Rev. Mod. Phys., vol. 91, no. 4, p. 45002, 2019, doi: 10.1103/RevModPhys.91.045002.
[5] D. Sisodia and D. S. Sisodia, “Prediction of Diabetes using Classification Algorithms,” Procedia Comput. Sci., vol. 132, no. Iccids, pp. 1578–1585, 2018, doi: 10.1016/j.procs.2018.05.122.
[6] B. Wang, Y. Wang, K. Qin, and Q. Xia, “Detecting Transportation Modes Based on LightGBM Classifier from GPS Trajectory Data,” Int. Conf. Geoinformatics, vol. 2018-June, no. 41471326, pp. 1–7, 2018, doi: 10.1109/GEOINFORMATICS.2018.8557149.
[7] V. Cox, “Translating Statistics to Make Decisions,” Transl. Stat. to Make Decis., 2017, doi: 10.1007/978-1-4842-2256-0.
[8] U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “The KDD Process for Extracting Useful Knowledge from Volumes of Data,” Commun. ACM, vol. 39, no. 11, pp. 27–34, 1996, doi: 10.1145/240455.240464.
[9] S. Bahramian and A. Nikravanshalmani, “Hybrid algorithm based on K-nearest-neighbor algorithm and Adaboost with selection of feature by genetic algorithms for the diagnosis of diabetes,” Int. J. Mechatronics, Electr. Comput. Technol., vol. 6, no. 21, pp. 2977–2986, 2016.
[10] V. Rawat and Suryakant, “A classification system for diabetic patients with machine learning techniques,” Int. J. Math. Eng. Manag. Sci., vol. 4, no. 3, pp. 729–744, 2019, doi: 10.33889/IJMEMS.2019.4.3-057.
[11] S. Yang and H. Zhang, “Comparison of Several Data Mining Methods in Credit Card Default Prediction,” Intell. Inf. Manag., vol. 10, no. 05, pp. 115–122, 2018, doi: 10.4236/iim.2018.105010.
[12] F. Menczer, S. Fortunato, and C. A. Davis, “Python Tutorial,” A First Course Netw. Sci., pp. 221–237, 2020, doi: 10.1017/9781108653947.010.
