PERBANDINGAN AKURASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN RANDOM FOREST (RF) DENGAN TEKNIK SMOTE UNTUK PREDIKSI PENYAKIT DIABETES

WARDANI, ADELINA DWI (2025) PERBANDINGAN AKURASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN RANDOM FOREST (RF) DENGAN TEKNIK SMOTE UNTUK PREDIKSI PENYAKIT DIABETES. Other thesis, Universitas Widya Husada Semarang.

[img] Text (ABSTRAK)
ABSTRAK.pdf - Published Version
Download (1MB)
[img] Text (BAB I)
BAB I.pdf - Published Version
Download (5MB)
[img] Text (BAB II)
BAB II.pdf - Accepted Version
Restricted to Repository staff only
Download (5MB) | Request a copy
[img] Text (BAB III)
BAB III.pdf - Accepted Version
Restricted to Repository staff only
Download (5MB) | Request a copy
[img] Text (BAB V)
BAB V.pdf - Published Version
Download (2MB)
[img] Text (COVER)
COVER.pdf - Published Version
Download (6MB)
[img] Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf - Accepted Version
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB IV)
BAB IV.pdf - Accepted Version
Restricted to Repository staff only
Download (17MB) | Request a copy
[img] Text (LAMPIRAN)
LAMPIRAN.pdf - Accepted Version
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (PENGESAHAN)
PENGESAHAN.pdf - Published Version
Download (372kB)
[img] Text (PERSETUJUAN)
PERSETUJUAN.pdf
Download (308kB)

Abstract

Latar Belakang: Diabetes melitus merupakan salah satu penyakit kronis yang banyak diderita masyarakat dan berpotensi menimbulkan komplikasi serius apabila tidak terdeteksi secara dini. Seiring berkembangnya teknologi, machine learning menjadi pendekatan yang efektif dalam memprediksi risiko diabetes secara cepat dan akurat. Metode: Penelitian ini menggunakan algoritma Support Vector Machine (SVM) dan Random Forest (RF) untuk memprediksi risiko diabetes berdasarkan dataset Pima Indian Diabetes. Data dibagi menggunakan metode split 70:30 dan diseimbangkan menggunakan teknik SMOTE untuk mengatasi ketidakseimbangan kelas. Evaluasi performa model dilakukan dengan metrik akurasi, precision, recall, F1-score, dan ROC AUC. Proses tuning hyperparameter dilakukan menggunakan GridSearchCV dengan 8-fold cross-validation. Hasil Penelitian: Model Random Forest dengan penerapan SMOTE menunjukkan performa terbaik dengan akurasi sebesar 78,35%, precision 84%, recall 72%, dan F1-score sebesar 70%. Hasil ini menunjukkan bahwa penggunaan teknik balancing data dan optimasi parameter dapat meningkatkan kinerja model secara signifikan dalam mendeteksi risiko diabetes. Kesimpulan: Penerapan algoritma machine learning seperti Random Forest dan SVM mampu membantu prediksi risiko diabetes secara efektif. Random Forest dengan teknik SMOTE memberikan hasil yang lebih optimal dibandingkan metode lainnya. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem deteksi dini diabetes untuk mendukung pengambilan keputusan dalam bidang kesehatan.

Item Type: Thesis (Other)
Uncontrolled Keywords: Diabetes, Random Forest, Support Vector Machine, SMOTE, Prediksi, Machine Learning
Subjects: R Medicine > RA Public aspects of medicine
Divisions: Fakultas Keperawatan Bisnis dan Teknologi > S1 Informatika Medis
Depositing User: Admin Cakep Perpus
Date Deposited: 08 Oct 2025 07:03
Last Modified: 08 Oct 2025 07:11
URI: http://eprints.uwhs.ac.id/id/eprint/2800

Actions (login required)

View Item View Item