PREDIKSI PENYAKIT DIABETES MENGGUNAKAN ENSAMBLE LEARNING DAN METODE RESAMPLING PADA DATATIDAK SEIMBANG

Nurwahyuningsih, Nurwahyuningsih (2026) PREDIKSI PENYAKIT DIABETES MENGGUNAKAN ENSAMBLE LEARNING DAN METODE RESAMPLING PADA DATATIDAK SEIMBANG. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (406kB)
	Text (BAB I) BAB I.pdf - Published Version Download (182kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (550kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (300kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (864kB)
	Text (BAB V) BAB V.pdf - Published Version Download (65kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (126kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4897.zip Restricted to Repository staff only Download (3kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (284kB)

Abstract

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.

Actions (login required)

View Item