@phdthesis{universitasamikomyogyakarta31826,
          author = {Fransiskus Wilis Alit Narantoko},
            year = {2026},
           title = {ANALISIS DETEKSI PENYAKIT DIABETES DENGAN
KELAS YANG TIDAK SEIMBANG DITANGANI
 TEKNIK SMOTE-ENN  PADA ALGORITMA 
MACHINE LEARNING},
          school = {Universitas AMIKOM Yogyakarta},
           month = {February},
             url = {https://eprints.amikom.ac.id/id/eprint/31826/},
        keywords = {Diabetes Mellitus, Machine Learning, SMOTE-ENN, Random Forest,
Classification.},
        abstract = {Diabetes melitus merupakan salah satu penyakit kronis dengan prevalensi
tinggi yang dapat menimbulkan berbagai komplikasi serius apabila tidak terdeteksi
sejak dini. Penerapan machine learning dalam deteksi diabetes sering menghadapi
permasalahan ketidakseimbangan kelas (class imbalance), di mana jumlah data
penderita diabetes jauh lebih sedikit dibandingkan data non-diabetes, sehingga
menurunkan kemampuan model dalam mengenali kelas minoritas. Penelitian ini
bertujuan untuk menganalisis efektivitas teknik SMOTE-ENN (Synthetic Minority
Over-sampling Technique with Edited Nearest Neighbors) dalam menangani
ketidakseimbangan kelas serta membandingkan kinerja beberapa algoritma
machine learning dalam mendeteksi penyakit diabetes. Dataset yang digunakan
adalah Behavioral Risk Factor Surveillance System (BRFSS) tahun 2015 yang
terdiri dari 253.680 data dengan 22 variabel indikator kesehatan. Tahapan
penelitian meliputi preprocessing data, penerapan SMOTE-ENN, pelatihan model
menggunakan algoritma Logistic Regression, K-Nearest Neighbors, Random
Forest, dan XGBoost, serta evaluasi model menggunakan metrik accuracy,
precision, recall, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa
penerapan SMOTE-ENN mampu meningkatkan performa model dalam mendeteksi
kelas minoritas diabetes. Berdasarkan hasil evaluasi, algoritma Random Forest
memberikan performa terbaik dengan nilai akurasi sebesar 95,85\%, sehingga
dinilai paling efektif dalam mendeteksi penyakit diabetes. Model terbaik
selanjutnya diimplementasikan dalam bentuk aplikasi web berbasis Flask untuk
membantu prediksi risiko diabetes secara interaktif.}
}