PREDIKSI 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