Melody D'Viola, Michelle (2025) Pengembangan Prediksi Diabetes Tahap Awal: Studi Komparatif Metode Oversampling Data dan Klasifikasi. Bachelor Thesis thesis, Universitas Multimedia Nusantara.
![]() |
PDF
HALAMAN_AWAL.pdf Download (744kB) |
![]() |
PDF
ARTIKEL.pdf Download (745kB) |
![]() |
PDF
TURNITIN.pdf Download (190kB) |
![]() |
PDF
LAMPIRAN.pdf Restricted to Registered users only Download (1MB) |
![]() |
PDF
LETTER_OF_ACCEPTANCE.pdf Download (159kB) |
Abstract
Diabetes merupakan penyakit kronis yang umum dan terus meningkat secara global, dengan sejumlah besar kasus yang belum terdiagnosis. Diperlukan model prediksi tahap awal yang optimal untuk mendukung pencegahan dini. Penelitian ini mengkaji kombinasi teknik oversampling dengan metode klasifikasi guna menentukan model yang paling optimal untuk prediksi diabetes tahap awal. Pertama, data diperluas ke dalam dua skenario menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE) dan Adaptive Synthetic Sampling (ADASYN) untuk mengatasi ketidakseimbangan kelas. Random Forest (RF), Extreme Gradient Boosting (XGB), Multilayer Perceptron (MLP), serta model hibrida yang menggabungkan dua metode klasifikasi tersebut dievaluasi untuk menentukan model yang paling efektif. Kombinasi SMOTE dengan Random Forest (SMOTE + RF), ADASYN dengan Random Forest (ADASYN + RF), serta ADASYN dengan gabungan Extreme Gradient Boosting dan Multilayer Perceptron (ADASYN + XGB-MLP) menunjukkan akurasi tertinggi sebesar 99,04% dengan skor F1 sebesar 0,99. Penggabungan teknik oversampling dengan metode klasifikasi ini meningkatkan akurasi prediksi sekaligus mengatasi ketidakseimbangan kelas, sehingga menjadi alat yang berguna untuk deteksi dini diabetes.
Item Type: | Thesis (Bachelor Thesis) |
---|---|
Keywords: | Diabetes Tahap Awal, Klasifikasi, Oversampling |
Subjects: | ?? T70 ?? |
Divisions: | Faculty of Engineering & Informatics > Information System |
SWORD Depositor: | Administrator UMN Library |
Depositing User: | Administrator UMN Library |
Date Deposited: | 01 Jul 2025 07:46 |
Last Modified: | 01 Jul 2025 07:46 |
URI: | https://kc.umn.ac.id/id/eprint/37501 |
Actions (login required)
![]() |
View Item |