EPrints Universitas Amikom YogyakartaANALISIS PERBANDINGAN ALGORITMA KLASIFIKASI UNTUK IDENTIFIKASI DIABETES DENGAN MENGGUNAKAN METODE RANDOM FOREST DAN NAÏVE BAYESMuhammad RafliZuhriauthorPenyakit diabetes kini menyerang manusia tanpa mengenal usia. Bahkan lebih dari 1,2 juta anak-anak dan remaja di dunia terkena penyakit diabetes. Penyakit diabetes pun masih masuk ke daftar penyakit paling mematikan di dunia. Penanganan penyakit diabetes menjadi penting karena komplikasi yang dapat terjadi jika tak ditanggulangi dengan benar. Oleh karena itu, pengembangan metode yang efektif dalam mendiagnosis penyakit diabetes pada perempuan menjadi sangat penting. Banyak faktor yang mempengaruhi orang menderita diabetes, beberapa diantaranya yaitu tekanan darah tinggi, kadar gula berlebih, berat badan, riwayat keturunan diabetes, usia, jumlah kehamilan seseorang, ketebalan lipatan kulit, dan jumlah kadar insulin dalam tubuh. Berbagai metode telah digunakan untuk mengidentifikasi diabetes, termasuk pemeriksaan fisik, tes darah, dan tes urine, namun hasil pemeriksaan membutuhkan waktu yang lama untuk mengetahui hasilnya sehingga dibutuhkan teknologi untuk memberikan kemudahan setiap orang dalam menerima informasi secara cepat. Random Forest dan Naïve Bayes merupakan dua algoritma klasifikasi yang populer. Random Forest adalah metode kompleks yang didasarkan pada penggabungan beberapa pohon keputusan untuk mendapatkan prediksi yang lebih akurat. Sedangkan Naïve Bayes merupakan metode pengklasifikasian berdasarkan probabilitas sederhana dan dirancang agar dapat dipergunakan denegan asumsi antar variabel penjelas saling bebas (independen). Tujuan dari penelitian ini untuk menganalisis perbandingan antara algoritma Naïve Bayes dan Random Foret dalam mengidentifikasi penyakit diabetes. Berdasarkan hasil penelitian, Naïve Bayes dapat dinyatakan sebagai algoritma dengan kinerja paling stabil dalam penelitian ini karena unggul pada metrik akurasi dan presisi. Namun, Random Forest lebih baik dalam menjaga keseimbangan performa antara presisi dan recall sebagaimana tercermin pada nilai F1-score. Perbedaan kinerja kedua algoritma dipengaruhi oleh karakteristik dataset, keberadaan imbalance data, serta nilai ekstrem pada beberapa atribut medis. Dengan demikian, pemilihan algoritma terbaik bergantung pada tujuan penggunaan model. Jika fokus utama adalah ketepatan prediksi secara umum, maka Naïve Bayes lebih direkomendasikan. Namun, jika fokus diarahkan pada keseimbangan deteksi kasus diabetes, maka Random Forest menjadi alternatif yang lebih sesuai.000 Ilmu komputer, informasi dan pekerjaan umum005 Pemrograman komputer, program dan data2025-12-16Universitas AMIKOM Yogyakarta;Pascasarjana Magister InformatikaThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.