EPrints Universitas Amikom YogyakartaANALISIS DETEKSI PENYAKIT DIABETES DENGAN KELAS YANG TIDAK SEIMBANG DITANGANI TEKNIK SMOTE-ENN PADA ALGORITMA MACHINE LEARNINGFransiskus Wilis AlitNarantokoauthorDiabetes 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.000 Ilmu komputer, informasi dan pekerjaan umum2026-02-03Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

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.