Penerapan Naive Bayes berbasis Particle Swarm Optimization untuk klasifikasi diabetes mellitus

INDONESIA:
Diabetes Mellitus merupakan penyakit kronis yang prevalensinya terus meningkat setiap tahun. Deteksi dini menjadi sangat penting guna mencegah komplikasi lebih parah. Penelitian ini bertujuan untuk membangun model klasifikasi diabetes mellitus dengan menerapkan algoritma Naïve Bayes yang dioptimasi menggunakan Particle Swarm Optimization (PSO). Dataset yang digunakan adalah Pima Indian Diabetes Dataset yang terdiri dari 768 data dengan delapan fitur utama. Tahapan penelitian mencakup preprocessing data, penanganan missing value, normalisasi, teknik balancing menggunakan SMOTE, serta pengujian performa menggunakan 10-Fold Cross Validation. Evaluasi dilakukan dengan membandingkan hasil klasifikasi sebelum dan sesudah proses optimasi PSO. Hasil menunjukkan bahwa model Naïve Bayes yang dioptimasi mampu meningkatkan akurasi dari 72.73% menjadi 74.86% ketika menggunakan teknik optimasi PSO. Temuan ini membuktikan bahwa kombinasi Naïve Bayes dan PSO dapat menghasilkan klasifikasi yang lebih akurat dan efisien dalam deteksi dini Diabetes Mellitus. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem pendukung keputusan berbasis kecerdasan buatan di bidang kesehatan.
ENGLISH:
Diabetes mellitus is one of the chronic diseases whose incidence continues to rise year after year. Classifying diabetes patients is an important step in detecting the disease early. This study aims to build a diabetes mellitus classification model using the Naïve Bayes algorithm optimized with the Particle Swarm Optimization (PSO) method. The model was built using data from the Pima Indian Diabetes Dataset, which consists of 768 data points with eight relevant features, such as blood glucose levels, blood pressure, body mass index, age, and number of pregnancies. The research process included data preprocessing, feature selection using PSO, model training, and performance evaluation. Evaluation was conducted by comparing the results of the Naïve Bayes model before and after optimization using PSO. The results showed that the accuracy of the Naïve Bayes model increased from 71% to 74% after optimization with PSO. The optimized model was able to select the best features and produce more accurate and efficient classifications. This study is expected to contribute scientifically to the development of artificial intelligence-based classification systems for the early diagnosis of Diabetes Mellitus, as well as support rapid and accurate medical decision-making.
ARABIC:
مرض السكري هو أحد الأمراض المزمنة التي تزداد حالات الإصابة بها عامًا بعد عام. يعد تصنيف مرضى السكري خطوة مهمة في الكشف المبكر عن المرض. تهدف هذه الدراسة إلى بناء نموذج لتصنيف مرض السكري باستخدام خوارزمية Naïve Bayes المُحسّنة بطريقة Particle Swarm Optimization (PSO). تم بناء النموذج باستخدام بيانات من مجموعة بيانات مرض السكري لدى هنود بيما، والتي تتكون من 768 بيانات مع ثمانية ميزات ذات صلة، مثل مستوى الجلوكوز، وضغط الدم، ومؤشر كتلة الجسم، والعمر، وعدد الحمل. وتشمل مراحل البحث معالجة البيانات المسبقة، واختيار الميزات باستخدام PSO، وتدريب النموذج، وتقييم الأداء. تم إجراء التقييم من خلال مقارنة نتائج نموذج Naïve Bayes قبل وبعد تحسينه باستخدام PSO. أظهرت نتائج البحث أن دقة نموذج Naïve Bayes زادت من 71٪ إلى 74٪ بعد تحسينه باستخدام PSO. تمكن النموذج المحسّن من اختيار أفضل الميزات وإنتاج تصنيف أكثر دقة وكفاءة. من المتوقع أن يساهم هذا البحث في تطوير نظام تصنيف قائم على الذكاء الاصطناعي لتشخيص مرض السكري في مرحلة مبكرة، فضلاً عن دعم اتخاذ القرارات الطبية بسرعة ودقة