Aprianto, Ahmed Ibnu (2026) KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN ALGORITMA SVM. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER - ABSTRAK)
COVER.pdf - Published Version Download (615kB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (159kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (624kB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (344kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (382kB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (35kB) |
|
Text (DAFTAR PUSTAKA - LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (149kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.4361.zip Restricted to Repository staff only Download (31kB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (457kB) |
Abstract
Diabetes Mellitus (DM) merupakan salah satu penyakit kronis dengan tingkat prevalensi yang terus meningkat di dunia, termasuk di Indonesia. Penyakit ini terbagi menjadi dua tipe utama, yaitu DM tipe 1 dan tipe 2, yang masing-masing membutuhkan penanganan yang berbeda. Oleh karena itu, klasifikasi yang akurat antara kedua tipe DM sangat penting untuk mendukung diagnosis dini dan intervensi medis yang tepat. Penelitian ini bertujuan untuk membangun model klasifikasi penyakit Diabetes Mellitus menggunakan algoritma Support Vector Machine (SVM). Dataset penelitian terdiri dari sejumlah atribut klinis pasien yang telah melalui tahap preprocessing, termasuk penanganan missing values, penghilangan outlier menggunakan Interquartile Range (IQR), normalisasi dengan StandardScaler, dan konversi label menggunakan Label Encoding. Karena jumlah data antar kelas tidak seimbang, diterapkan metode Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi masalah ketidakseimbangan kelas. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, F1-score, dan confusion matrix. Hasil evaluasi menunjukkan bahwa model SVM dengan kernel linier memberikan akurasi cukup, yaitu sebesar 73%, dengan nilai F1-score seimbang untuk kedua kelas. Hal ini menunjukkan bahwa model mampu melakukan klasifikasi dengan performa yang baik dan tanpa bias terhadap salah satu kelas.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Diabetes Mellitus, Support Vector Machine, SMOTE, Preprocessing Data, Klasifikasi, Machine Learning, Data Preprocessing, Classification. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer |
||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 22 Jul 2026 03:09 | ||
| Last Modified: | 22 Jul 2026 03:09 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/32299 |
Actions (login required)
 |
View Item |