Perbandingan performa Random Forest dan XGBoost dalam mendeteksi diabetes berdasarkan data medical check-up Rumah Sakit Pusat Pertamina

Rafael Adlinugroho, Shyehan (2025) Perbandingan performa Random Forest dan XGBoost dalam mendeteksi diabetes berdasarkan data medical check-up Rumah Sakit Pusat Pertamina. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (198kB)
	PDF BAB_II.pdf Download (296kB)
	PDF BAB_III.pdf Download (381kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (694kB)
	PDF BAB_V.pdf Download (187kB)
	PDF DAFTAR_PUSTAKA.pdf Download (208kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (301kB)

Abstract

Diabetes merupakan kondisi kronis dengan kadar gula darah tinggi yang dapat menyebabkan komplikasi serius. Faktor risiko meliputi pola makan tidak sehat, kurang aktivitas fisik, faktor genetik, dan gaya hidup yang buruk. Berdasarkan data WHO tahun 2022, terdapat 537 juta orang dewasa dengan diabetes di dunia, dengan prevalensi yang terus meningkat, terutama di negara berkembang seperti Indonesia. Penelitian ini membandingkan algoritma Random Forest dan XGBoost dalam mendeteksi diabetes berdasarkan data medical check-up dari Rumah Sakit Pusat Pertamina dengan rentang usia 46-65 tahun. Pemilihan algoritma Random Forest dan XGBoost didasarkan pada kemampuan keduanya dalam menganalisis data dengan banyak fitur dan menangani klasifikasi yang kompleks, termasuk dalam kasus data kesehatan yang sering kali memiliki distribusi tidak seimbang. Random Forest menggunakan pendekatan bagging dengan membangun banyak pohon keputusan secara paralel, sedangkan XGBoost menggunakan pendekatan boosting yang membangun pohon secara bertahap dengan memperbaiki kesalahan prediksi sebelumnya. Perbandingan ini penting dilakukan untuk mengevaluasi akurasi dan stabilitas prediksi dalam kasus deteksi diabetes yang kompleks. Hasil percobaan menunjukkan bahwa Random Forest menghasilkan akurasi pengujian sebesar 90% dengan F1-Score 0,87, sedangkan XGBoost mencapai akurasi 88% dengan F1-Score 0,77. Random Forest menunjukkan performa yang lebih baik dalam mendeteksi diabetes dengan distribusi data yang lebih seimbang, sementara XGBoost cenderung lebih selektif pada fitur dengan kontribusi signifikan. Distribusi data yang lebih terfokus dan seimbang terbukti meningkatkan performa model dalam mendeteksi diabetes, yang diharapkan dapat membantu upaya deteksi dini dan pengambilan keputusan klinis yang lebih efektif di masa depan.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Deteksi Dini, Diabetes, Medical Check-Up, Random Forest, XGBoost
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	24 Jan 2025 10:56
Last Modified:	24 Jan 2025 10:56
URI:	https://kc.umn.ac.id/id/eprint/35951

Actions (login required)

View Item