%0 Thesis
%9 S1 - Sarjana
%A Nurwahyuningsih, Nurwahyuningsih
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:32116
%I Universitas AMIKOM Yogyakarta
%K Diabetes, Imblanaced data, Sampling, Random Forest, XGBoost
%T PREDIKSI PENYAKIT DIABETES MENGGUNAKAN  ENSAMBLE LEARNING DAN METODE RESAMPLING  PADA DATATIDAK SEIMBANG
%U https://eprints.amikom.ac.id/id/eprint/32116/
%X Ketidakseimbangan kelas (imbalanced data) merupakan permasalahan   utama dalam klasifikasi data medis, khususnya ada kasus penyakit diabetes.  Kondisi ini menyebabkan model klasifikasi cenderung lebih fokus pada kelas  mayoritas, sehingga kemampuan dalam mendeteksi pasien diabetes sebagai kelas  minoritas menjadi kurang optimal. Apabila tidak ditangani dengan tepat,  permasalahan tersebut dapat menunrunkan kualitas sistem pendukung keputusan  dibidang Kesehatan.  Penelitian ini bertujuan untuk menganalisis pengaruh berbagai metode  sampling dalam meningkatkan kinerja model klasifikasi diabetes. Metode yang  digunakan adalam Random Fores dan XGBoost dengan menggunakan beberapa  pendekatan penanganan ketidakseimbangan kelas, yaitu SMOTE, ROS,  SMOTENN, ADASYN, RUS, ClusterCentroids, Tomek Links, dan ENN. Evaluasi  kinerja model dilakukan menggunakan metrik akurasi dan F1-score guna menilai  keseimbangan performa dalam mengklasifikasikan kelas mayoritas dan minoritas.  Hasil penelitian menunjukan bahwa metode Tomek Links memberikan  peforma yang paling konsisten pada kedua model. Pada model XGBoost, metode  ini mampu meningkatkan nilai F1-score diabanding data asli, sedangkan pada  model Rndom Forest performanya relatif stabil dengan perbedaan yang tidaak  signifikan. Penelitian ini memberikan konstribusi dalam pemeilihan metode  sampling yang efektif untuk klasifikasi data medis. Hasil penelitian dapat  dimanfaatkan oleh peneliti, praktisi data, dan institusi Kesehatan sebagai  referensi dalam pengembangan system klasifikasi penyakit berbasis pembelajaran  mesin.