OPTIMASI KINERJA MODEL MACHINE LEARNING MENGGUNAKAN PENDEKATAN SAMPLING DAN FITUR SELEKSI PADA KLASIFIKASI DIABETES

Firmanzah, Tegar Danu (2025) OPTIMASI KINERJA MODEL MACHINE LEARNING MENGGUNAKAN PENDEKATAN SAMPLING DAN FITUR SELEKSI PADA KLASIFIKASI DIABETES. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (996kB)
	Text (BAB I) BAB I.pdf Download (256kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (938kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (585kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (645kB)
	Text (BAB V) BAB V.pdf Download (44kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (264kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4437.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (732kB)

Abstract

Diabetes merupakan penyakit kronis yang prevalensinya terus meningkat secara global dan menjadi tantangan besar dalam dunia kesehatan, termasuk di Indonesia. Deteksi dini menjadi kunci untuk mencegah komplikasi jangka panjang, namun masih banyak kendala dalam akurasi dan efisiensi diagnosis. Penelitian ini bertujuan untuk mengoptimalkan kinerja model klasifikasi diabetes dengan menerapkan kombinasi teknik balancing data menggunakan SMOTE-ENN dan seleksi fitur menggunakan Information Gain. Lima algoritma machine learning, yaitu K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Random Forest, AdaBoost, dan XGBoost, dibandingkan kinerjanya pada empat skenario data: original, setelah SMOTE-ENN, setelah Information Gain, dan kombinasi keduanya. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1score. Hasil menunjukkan bahwa penerapan teknik SMOTE-ENN dan Information Gain secara bersamaan memberikan peningkatan signifikan terhadap performa model. Algoritma AdaBoost dan XGBoost menunjukkan hasil terbaik dengan akurasi mencapai 90,16% dan F1-score sebesar 85,91%. Penelitian ini menunjukkan bahwa pemilihan teknik preprocessing yang tepat sangat berpengaruh dalam meningkatkan akurasi klasifikasi penyakit kronis seperti diabetes. Hasil penelitian ini diharapkan dapat menjadi referensi bagi pengembangan sistem pendukung keputusan berbasis machine learning dalam diagnosis dini diabetes serta memberikan kontribusi nyata dalam pengembangan teknologi kesehatan yang lebih akurat dan efisien.

Actions (login required)

View Item