HASIBUAN, SAFINA FARADILLA (2025) KOMPARASI ALGORITMA SVM DAN NAIVE BAYES MENGGUNAKAN BINARY GREY WOLF OPTIMIZER UNTUK PREDIKSI DIABETES MELITUS. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (473kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 BAB I.pdf Restricted to Registered users only Download (97kB) |
|
|
Text (BAB II)
03 BAB II.pdf Restricted to Registered users only Download (239kB) |
|
|
Text (BAB III)
04 BAB III.pdf Restricted to Registered users only Download (463kB) |
|
|
Text (BAB IV)
05 BAB IV.pdf Restricted to Registered users only Download (445kB) |
|
|
Text (BAB V)
06 BAB V.pdf Restricted to Registered users only Download (27kB) |
|
|
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (97kB) |
|
|
Text (LAMPIRAN)
08 LAMPIRAN.pdf Restricted to Registered users only Download (510kB) |
Abstract
Diabetes mellitus (DM) is a metabolic disorder characterized by chronically high blood sugar or glucose levels due to problems with insulin secretion, insulin response, or both. Therefore, an appropriate approach is needed in predicting diabetes to support early diagnosis and more effective prevention efforts. One of the approaches used is the machine learning method, which has proven to be capable of improving prediction accuracy. In this study, the SVM and Naïve Bayes algorithms are applied with feature selection techniques using the Binary Grey Wolf Optimizer (BGWO) to enhance classification performance. Based on the test results, SVM-BGWO showed an accuracy of 73.30% and a precision of 85.74%, while NV-BGWO achieved an accuracy of 72.60% and a precision of 84.88%. These results indicate that SVM-BGWO has superior performance compared to NV-BGWO in terms of accuracy and precision. This research aims to compare the two algorithms in order to find the most accurate model for predicting diabetes mellitus. In addition, it can help medical personnel in providing early diagnosis and enhancing diabetes prevention efforts. Keywords: Diabetes Mellitus, Machine Learning, Binary Grey Wolf Optimizer, SVM, Naïve Bayes Diabetes melitus (DM) adalah gangguan metabolisme yang ditandai oleh tingkat gula darah atau glukosa dalam darah yang tinggi secara kronis akibat masalah dalam sekresi insulin, respons insulin, atau keduanya. Oleh karena itu, diperlukan pendekatan yang tepat dalam memprediksi diabetes untuk mendukung diagnosis dini dan upaya pencegahan yang lebih efektif. Salah satu pendekatan yang digunakan adalah metode machine learning, yang terbukti mampu meningkatkan akurasi prediksi. Dalam penelitian ini, algoritma SVM dan Naïve Bayes diterapkan dengan teknik feature selection menggunakan Binary Grey Wolf Optimizer (BGWO) untuk meningkatkan performa klasifikasi. Berdasarkan hasil pengujian, SVM-BGWO menunjukkan akurasi sebesar 73,30% dan presisi 85,74%, sedangkan NV-BGWO mencapai akurasi 72,60% dan presisi 84,88%. Hasil ini menunjukkan bahwa SVM-BGWO memiliki performa yang lebih unggul dibandingkan NVBGWO dalam hal akurasi dan presisi. Penelitian ini bertujuan untuk membandingkan kedua algoritma tersebut guna menemukan model yang paling akurat untuk prediksi diabetes melitus. Selain itu, dapat membantu tenaga medis dalam memberikan diagnosis dini dan meningkatkan upaya pencegahan diabetes. Kata kunci: Diabetes Melitus, Machine Learning, Binary Grey Wolf Optimizer, SVM, Naïve Bayes
Actions (login required)
 |
View Item |
