ANALISIS 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