PERANCANGAN SISTEM PREDIKSI PENYAKIT DIABETES BERBASIS WEB MENGGUNAKAN ALGORITMA RANDOM FOREST DENGAN TEKNIK SMOTE

ANDINI, DELLA (2025) PERANCANGAN SISTEM PREDIKSI PENYAKIT DIABETES BERBASIS WEB MENGGUNAKAN ALGORITMA RANDOM FOREST DENGAN TEKNIK SMOTE. Other thesis, Universitas Widya Husada Semarang.

	Text (COVER) COVER.pdf - Published Version Download (7MB)
	Text (PENGESAHAN) PENGESAHAN.pdf - Published Version Download (360kB)
	Text (PERSETUJUAN) PERSETUJUAN.pdf - Published Version Download (291kB)
	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (6MB)
	Text (BAB II) BAB II.pdf - Accepted Version Restricted to Repository staff only Download (10MB) | Request a copy
	Text (BAB III) BAB III.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy
	Text (BAB IV) BAB IV.pdf - Accepted Version Restricted to Repository staff only Download (22MB) | Request a copy
	Text (BAB V) BAB V.pdf - Accepted Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Latar Belakang: Diabetes merupakan penyakit kronis dengan prevalensi tinggi di dunia maupun di Indonesia, menempati peringkat kelima global menurut International Diabetes Federation (IDF). Keterlambatan deteksi dini menyebabkan komplikasi serius, sehingga dibutuhkan sistem prediksi berbasis teknologi yang mudah diakses. Metode: Penelitian ini merancang sistem prediksi diabetes berbasis web menggunakan algoritma Random Forest dengan metode pengembangan sistem Waterfall. Dataset yang digunakan adalah Pima Indians Diabetes Database dari Kaggle. Untuk mengatasi ketidakseimbangan data digunakan teknik SMOTE, serta dilakukan hyperparameter tuning. Sistem dikembangkan menggunakan Python dan framework Streamlit, kemudian di-deploy melalui Streamlit Cloud. Hasil Penelitian: Model prediksi mencapai akurasi 78,35% dengan nilai precision, recall, dan F1-score yang cukup baik. Sistem menampilkan hasil berupa “Risiko Rendah” atau “Risiko Tinggi” serta dilengkapi fitur edukasi kesehatan yang memberikan saran pencegahan, informasi komplikasi, dan manajemen gaya hidup. Kesimpulan: Sistem yang dirancang tidak hanya memberikan prediksi akurat, tetapi juga meningkatkan literasi kesehatan. Dengan akses mudah berbasis web, sistem ini dapat menjadi alat bantu deteksi dini dan edukasi mandiri bagi masyarakat maupun tenaga kesehatan.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Prediksi diabetes, Random Forest, SMOTE, Streamlit, Machine Learning, berbasis web.
Subjects:	R Medicine > RZ Other systems of medicine
Divisions:	Fakultas Keperawatan Bisnis dan Teknologi > S1 Informatika Medis
Depositing User:	Admin Cakep Perpus
Date Deposited:	10 Oct 2025 03:26
Last Modified:	10 Oct 2025 03:26
URI:	http://eprints.uwhs.ac.id/id/eprint/2802

Actions (login required)

View Item