SYSTEMATIC LITERATURE REVIEW : METODE NORMALISASI DATA YANG EFEKTIF PADA DETEKSI PENYAKIT DIABETES MENGGUNAKAN MACHINE LEARNING (ALGORITMA K-NEAREST NEIGHBORS)
Abstract
Teknologi Machine Learning merupakan teknologi baru dan merupakan cabang dari Artificial Intelligence (AI). Pada Machine Learning terdapat beberapa algoritma salah satunya adalah Algoritma K-Nearest Neighbors. Pada umumnya data mentah memiliki permasalahan seperti redudansi/duplikasi data, anomali data, kendala perubahan data dan lainnya. Upaya mengatasi permasalahan tersebut adalah menggunakan sebuah metode pengelompokan data yang berguna untuk melakukan proses terstruktur dalam rangka pra proses data, sebelum data tersebut diproses ke dalam Machine Learning. Salah satu metode yang sering dilakukan dalam preprocessing data adalah normalisasi data. Normalisasi data merupakan proses pengelompokan data menjadi tabel-tabel yang menunjukan entity dan relasinya disebut juga normalisasi data. Penelitian Systematic Literature Review (SLR) ini bertujuan untuk membandingkan metode manakah pada normalisasi data yang efektif digunakan pada saat preprocessing data penyakit diabetes agar data yang telah dinormalisasi dapat lebih akurat hasilnya saat di proses dalam algoritma. Fokus utama penelitian ini adalah pada aplikasi metode min-max dan z-core dalam normalisasi data-data penyakit untuk menunjang deteksi diabetes menggunakan Algoritma K-Nearest Neighbors, dengan harapan dapat memberikan wawasan yang lebih dalam bagi peneliti dan pembaca mengenai pentingnya normalisasi data dalam konteks tersebut dan memahami metode normalisasi yang tepat untuk diimplementasikan berdampingan dengan Algoritma K-Nearest Neighbors.
References
[2] R. S. Wahono, “A Systematic Literature Review of Software Defect Prediction: Research Trends, Datasets, Methods and Frameworks,” J. Softw. Eng., no. Vol 1, No 1 (2015), hal. 1–16, 2015, [Daring]. Tersedia pada: http://journal.ilmukomputer.org/index.php/jse/article/view/47.
[3] HBR. (2023, October). New Technologies Arrive in Clusters. What Does That Mean for AI. Harvard Business Review.
[4] Redman, T. C. (2023, October). New technologies arrive in clusters: What does that mean for AI? Harvard Business Review. Retrieved from https://hbr.org/2023/10/new-technologies-arrive-in-clusters-what-does-that-mean-for-ai
[5] Wahono, R. S. (2016). Systematic literature review. Retrieved from https://romisatriawahono.net/publications/2016/wahono-slr-may2016.pdf
[6] Queen's University Belfast Library. (n.d.). Selecting papers and quality assessment. Retrieved from https://libguides.qub.ac.uk/systematicreviews/screening
[7] Bora, N., Gutta, S., & Hadaegh, A. (2022) Using Machine Learning to Predict Heart Disease.
[8] Cennita, D., Arjunan, R. V., & K, Prema V. (2022). Ischemic Heart Disease Multiple Imputation Technique Using Machine Learning Algorithm.
[9] Singh, N., & Singh, P. (2021). Exploring the effect of normalization on medical data classification.
[10] Zaky, E. H., Soliman, M. M., Elkholy, A. K., & Ghali, N. I. (2021). Enhanced Predictive Modelling for 30-Day Readmission Diabetes Patients Based on Data Normalization Analysis, 14(4), 204-219. https://www.inass.org/2021/2021083119.pdf
[11] P. Sarkar and S. Pawar, "Machine Learning based Early Predication and Detection of Diabetes Mellitus," 2023 International Conference on Artificial Intelligence for Innovations in Healthcare Industries (ICAIIHI), Raipur, India, 2023, pp. 1-7, doi: 10.1109/ICAIIHI57871.2023.10489259.
[12] Salem, H.; Shams, M.Y.; Elzeki, O.M.; Abd Elfattah, M.; F. Al-Amri, J.; Elnazer, S. Fine-Tuning Fuzzy KNN Classifier Based on Uncertainty Membership for the Medical Diagnosis of Diabetes. Appl. Sci. 2022, 12, 950. https://doi.org/10.3390/app12030950
[13] Wee, B.F., Sivakumar, S., Lim, K.H. et al. Diabetes detection based on machine learning and deep learning approaches. Multimed Tools Appl 83, 24153–24185 (2024). https://doi.org/10.1007/s11042-023-16407-5
