{
      "contributors": [
        {
          "name": {
            "honourific": null,
            "family": "-",
            "given": "Kusrini",
            "lineage": null
          }
        }
      ],
      "corp_creators": [
        "Universitas AMIKOM Yogyakarta"
      ],
      "full_text_status": "public",
      "dir": "disk0\/00\/03\/17\/96",
      "divisions": [
        "PJJ"
      ],
      "documents": [
          {
            "main": "22.55.1241 - Muhammad Rafli Zuhri.pdf",
            "format": "text",
            "rev_number": 2,
            "mime_type": "application\/pdf",
            "eprintid": 31796,
            "pos": 1,
            "formatdesc": "THESIS",
            "content": "published",
            "files": [
                {
                  "filesize": 3260777,
                  "objectid": 319578,
                  "uri": "http:\/\/eprints.amikom.ac.id\/id\/file\/1131521",
                  "fileid": 1131521,
                  "hash_type": "MD5",
                  "filename": "22.55.1241 - Muhammad Rafli Zuhri.pdf",
                  "datasetid": "document",
                  "hash": "e9457cf69280ecad3cfbf8e19d37e435",
                  "mtime": "2026-06-29 06:37:22",
                  "mime_type": "application\/pdf"
                }
            ],
            "language": "id",
            "uri": "http:\/\/eprints.amikom.ac.id\/id\/document\/319578",
            "security": "public",
            "docid": 319578,
            "placement": 1
          }
      ],
      "eprintid": 31796,
      "institution": "Universitas AMIKOM Yogyakarta",
      "status_changed": "2026-06-29 06:42:15",
      "datestamp": "2026-06-29 06:42:15",
      "thesis_name": "tesis",
      "subjects": [
        "000.000.000A",
        "000.000.005"
      ],
      "uri": "http:\/\/eprints.amikom.ac.id\/id\/eprint\/31796",
      "date": "2025-12-16",
      "creators": [
        {
          "name": {
            "lineage": null,
            "given": "Muhammad Rafli",
            "family": "Zuhri",
            "honourific": null
          },
          "nim": "22.55.1241"
        }
      ],
      "date_type": "published",
      "department": "Pascasarjana Magister Informatika",
      "metadata_visibility": "show",
      "keywords": "Diabetes, diagnosa, klasifikasi, naïve bayes, random forest, diagnosis, classification.",
      "lastmod": "2026-06-29 06:42:15",
      "abstract": "Penyakit diabetes kini menyerang manusia tanpa mengenal usia. Bahkan\r\nlebih dari 1,2 juta anak-anak dan remaja di dunia terkena penyakit diabetes.\r\nPenyakit diabetes pun masih masuk ke daftar penyakit paling mematikan di dunia.\r\nPenanganan penyakit diabetes menjadi penting karena komplikasi yang dapat\r\nterjadi jika tak ditanggulangi dengan benar. Oleh karena itu, pengembangan metode\r\nyang efektif dalam mendiagnosis penyakit diabetes pada perempuan menjadi sangat\r\npenting. Banyak faktor yang mempengaruhi orang menderita diabetes, beberapa\r\ndiantaranya yaitu tekanan darah tinggi, kadar gula berlebih, berat badan, riwayat\r\nketurunan diabetes, usia, jumlah kehamilan seseorang, ketebalan lipatan kulit, dan\r\njumlah kadar insulin dalam tubuh. Berbagai metode telah digunakan untuk\r\nmengidentifikasi diabetes, termasuk pemeriksaan fisik, tes darah, dan tes urine,\r\nnamun hasil pemeriksaan membutuhkan waktu yang lama untuk mengetahui\r\nhasilnya sehingga dibutuhkan teknologi untuk memberikan kemudahan setiap\r\norang dalam menerima informasi secara cepat. \r\nRandom Forest dan Naïve Bayes merupakan dua algoritma klasifikasi yang\r\npopuler. Random Forest adalah metode kompleks yang didasarkan pada\r\npenggabungan beberapa pohon keputusan untuk mendapatkan prediksi yang lebih\r\nakurat. Sedangkan Naïve Bayes merupakan metode pengklasifikasian berdasarkan\r\nprobabilitas sederhana dan dirancang agar dapat dipergunakan denegan asumsi\r\nantar variabel penjelas saling bebas (independen). Tujuan dari penelitian ini untuk\r\nmenganalisis perbandingan antara algoritma Naïve Bayes dan Random Foret dalam\r\nmengidentifikasi penyakit diabetes. \r\nBerdasarkan hasil penelitian, Naïve Bayes dapat dinyatakan sebagai\r\nalgoritma dengan kinerja paling stabil dalam penelitian ini karena unggul pada\r\nmetrik akurasi dan presisi. Namun, Random Forest lebih baik dalam menjaga\r\nkeseimbangan performa antara presisi dan recall sebagaimana tercermin pada nilai\r\nF1-score. Perbedaan kinerja kedua algoritma dipengaruhi oleh karakteristik dataset,\r\nkeberadaan imbalance data, serta nilai ekstrem pada beberapa atribut medis.\r\nDengan demikian, pemilihan algoritma terbaik bergantung pada tujuan penggunaan\r\nmodel. Jika fokus utama adalah ketepatan prediksi secara umum, maka Naïve Bayes\r\nlebih direkomendasikan. Namun, jika fokus diarahkan pada keseimbangan deteksi\r\nkasus diabetes, maka Random Forest menjadi alternatif yang lebih sesuai.",
      "ispublished": "pub",
      "eprint_status": "archive",
      "title": "ANALISIS PERBANDINGAN ALGORITMA KLASIFIKASI\r\nUNTUK IDENTIFIKASI DIABETES DENGAN \r\nMENGGUNAKAN METODE RANDOM FOREST DAN \r\nNAÏVE BAYES",
      "rev_number": 8,
      "thesis_type": "masters",
      "type": "thesis",
      "userid": 12
    }