DETEKSI PENYAKIT DIABETES MENGGUNAKAN SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE DAN METODE RANDOM FOREST

Zhabima, Yopiezhar (2024) DETEKSI PENYAKIT DIABETES MENGGUNAKAN SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE DAN METODE RANDOM FOREST. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (863kB)
	Text (BAB I) BAB I.pdf Download (128kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (582kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (194kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (42kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (281kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4454.zip Restricted to Repository staff only Download (412kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (464kB)

Abstract

Diabetes adalah kondisi kronis yang ditandai tingginya kadar gula akibat gangguan dalam produksi atau fungsi insulin. Komplikasi serius mulai dari penyakit jantung, gangguan ginjal, kerusakan saraf, dan bahkan sampai kematian. Tercatat pada tahun 2021 penderita diabetes sebanyak 19,5 juta jiwa dan diprediksi akan menyentuh angka 28,6 juta jiwa pada tahun 2045. Meskipun angka ini tinggi setengah dari penderita tidak menyadarinya, maka dilakukan penelitian ini untuk membuat alternatif yang memudahkan dalam pendeteksi penyakit diabetes dan diharapkan dapat memberikan peringatan dini supaya Masyarakat bisa segera memperbaiki pola hidup agar terhindar dari penyakit diabetes. Random forest merupakan salah satu metode untuk melakukan klasifikasi. Pada penelitian ini digunakan metode random forest yang dilatih menggunakan 10 skenario yaitu 5 skenario di testing menggunakan data train dan 5 skenario testing menggunakan data medis rumah, pembagian data (90:10, 80:20, 70:30, 60:40, 50:50) dan data train sudah di seimbangkan dengan SMOTE. SMOTE sendiri merupakan metode untuk mengatasi ke tidak seimbangan data. Untuk melakukan analisis data peneliti menggunakan Teknik CRISP-DM yang memiliki tahapan Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Evaluasi terbaik didapat pada skenario ke 5 dari model Random Forest menggunakan SMOTE pada prediksi penyakit diabetes yang diuji menggunakan 100% data medis. Untuk Precision kelas “0” 67% dan kelas “1” 94%, untuk Recall kelas “0” 67% dan kelas “1” 94%, untuk F1-Score kelas “0” 67% dan kelas “1” 94%, serta nilai Accuracy 90%. Hasil dari model tersebut dimuat dan dijadikan sebuah website untuk prediksi diabetes.

Actions (login required)

View Item