KOMPARASI PERFORMA ALGORITMA MACHINE LEARNING PADA DATASET DIABETES DENGAN PENANGANAN IMBALANCED DATA

Ihsani, Iqbal Faris (2026) KOMPARASI PERFORMA ALGORITMA MACHINE LEARNING PADA DATASET DIABETES DENGAN PENANGANAN IMBALANCED DATA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf - Published Version
Download (1MB)
[img] Text (BAB I)
BAB I.pdf - Published Version
Download (195kB)
[img] Text (BAB II)
BAB II.pdf - Published Version
Restricted to Registered users only
Download (676kB)
[img] Text (BAB III)
BAB III.pdf - Published Version
Restricted to Registered users only
Download (383kB)
[img] Text (BAB IV)
BAB IV.pdf - Published Version
Restricted to Registered users only
Download (1MB)
[img] Text (BAB V)
BAB V.pdf - Published Version
Download (153kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version
Restricted to Registered users only
Download (120kB)
[img] Text (PUBLIKASI)
Publikasi.pdf - Published Version
Restricted to Repository staff only
Download (719kB)

Abstract

Penyakit diabetes melitus merupakan gangguan metabolisme kronis yang memerlukan deteksi dini. Pemanfaatan machine learning pada data rekam medis sangat berpotensi untuk membantu diagnosis, namun sering terkendala oleh ketidakseimbangan kelas (imbalanced data) yang memicu bias pada prediksi model. Penelitian ini bertujuan membandingkan performa algoritma klasifikasi ensemble tree (XGBoost, LightGBM, dan CatBoost) serta menguji efektivitas Synthetic Minority Over-sampling Technique (SMOTE) dalam mengatasi masalah ketidakseimbangan data tersebut. Eksperimen menggunakan Pima Indians Diabetes Dataset dengan menerapkan tahapan prapemrosesan seperti imputasi missing value, pembagian data latih dan uji (90:10), serta penerapan SMOTE secara eksklusif pada data latih. Model dioptimalkan melalui hyperparameter tuning dan dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, serta ROC-AUC. Hasil penelitian menunjukkan bahwa SMOTE efektif mengatasi bias prediksi terhadap kelas mayoritas (pasien sehat). Berdasarkan komparasi, algoritma XGBoost memberikan performa paling superior dan seimbang dengan capaian accuracy 85,71%, precision 75,00%, recall 88,88%, F1-Score 81,35%, dan ROCAUC 87,85%. Secara keseluruhan, XGBoost direkomendasikan sebagai arsitektur terbaik untuk pengembangan sistem diagnosis dini risiko diabetes yang andal secara klinis

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Aminuddin, Afrig
Uncontrolled Keywords: Diabetes, Machine Learning, Imbalanced Data, SMOTE, Ensemble Tree.
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 05 Oct 2026 02:27
Last Modified: 05 Oct 2026 02:27
URI: http://eprints.amikom.ac.id/id/eprint/33128

Actions (login required)

View Item View Item