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