Nugraha, Asep, Asep Nugraha (2026) MULTI KLASIFIKASI PENYAKIT DIABETES DENGAN MENGGUNAKAN MACHINE LEARNING RANDOM FOREST. S1 thesis, Universitas Islam Nusantara.

	Text (Skripsi Tugas Akhir - Asep Nugraha) 41037002241018_Asep Nugraha.pdf - Published Version Download (923kB)
	Text (Skripsi Tugas Akhir - Asep Nugraha) view_usp=drive_link - Published Version Download (72kB)

Abstract

Diabetes melitus merupakan penyakit metabolik kronis yang prevalensinya terus meningkat dan menjadi beban kesehatan global yang signifikan. Permasalahan utama dalam penanganannya terletak pada keterbatasan metode konvensional dalam mengidentifikasi fase transisi (prediabetes), yang seringkali menyebabkan keterlambatan intervensi medis. Oleh karena itu, diperlukan pendekatan berbasis teknologi yang mampu melakukan klasifikasi kondisi pasien secara lebih objektif, sistematis, dan berbasis data. Penelitian ini bertujuan untuk mengkaji penerapan algoritma machine learning dalam melakukan klasifikasi multi-class penyakit diabetes. Klasifikasi difokuskan pada tiga kategori utama, yaitu non-diabetic, diabetic, dan predict diabetic. Selain itu, penelitian ini juga diarahkan untuk mengevaluasi kinerja masing-masing algoritma serta menentukan model yang paling optimal dalam mendukung proses diagnosis berbasis data. Metodologi yang digunakan dalam penelitian ini bersifat eksperimental dengan memanfaatkan dataset sekunder yang diperoleh dari platform Kaggle. Data yang digunakan terdiri dari berbagai parameter klinis, seperti usia, indeks massa tubuh, tekanan darah, kadar glukosa, dan indikator lainnya. Tahapan pengolahan data meliputi proses pembersihan, transformasi, dan normalisasi, yang kemudian dilanjutkan dengan pembagian data ke dalam data latih dan data uji dengan rasio 80:20. Empat algoritma machine learning diterapkan, yaitu Support Vector Machine, Random Forest, Decision Tree, dan Logistic Regression, dengan evaluasi kinerja menggunakan metrik accuracy, precision, recall, dan F1-score. Kerangka teoretis penelitian ini didasarkan pada konsep supervised learning dalam machine learning, khususnya pada pendekatan klasifikasi multi-kelas. Selain itu, pendekatan ensemble learning pada algoritma Random Forest digunakan untuk meningkatkan kemampuan generalisasi model melalui kombinasi beberapa pohon keputusan. Analisis juga mempertimbangkan relevansi fitur klinis sebagai variabel prediktor dalam mengidentifikasi pola yang berkaitan dengan kondisi diabetes. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki tingkat kinerja tertinggi dengan akurasi mencapai 99%, diikuti oleh Decision Tree sebesar 98%, Support Vector Machine sebesar 85%, dan Logistic Regression sebesar 79%. Selain itu, Random Forest menunjukkan kemampuan yang sangat baik dalam mendeteksi kategori prediabetes dengan nilai sensitivitas yang tinggi. Dengan demikian, dapat disimpulkan bahwa pendekatan berbasis ensemble learning memiliki keunggulan dalam klasifikasi multi-kelas penyakit diabetes dan berpotensi untuk dikembangkan sebagai sistem pendukung keputusan dalam bidang kesehatan berbasis data.

Actions (login required)

View Item