EPrints Universitas Amikom YogyakartaPREDIKSI PENYAKIT DIABETES MENGGUNAKAN ENSAMBLE LEARNING DAN METODE RESAMPLING PADA DATATIDAK SEIMBANGNurwahyuningsihNurwahyuningsihauthorKetidakseimbangan 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.000 Ilmu komputer, informasi dan pekerjaan umum2026-03-02Universitas 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.