Perbandingan Algoritma Ann dan Decision Tree untuk Klasifikasi Data Diabetes Pima Indians

Yorri Afarlin, Muhammad (2025) Perbandingan Algoritma Ann dan Decision Tree untuk Klasifikasi Data Diabetes Pima Indians. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (703kB)
	PDF BAB_I.pdf Download (374kB)
	PDF BAB_II.pdf Download (458kB)
	PDF BAB_III.pdf Download (430kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (790kB)
	PDF BAB_V.pdf Download (228kB)
	PDF DAFTAR_PUSTAKA.pdf Download (229kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (754kB)
	Archive (ZIP) CREATION_FILE.zip Download (202kB)

Abstract

Diabetes merupakan penyakit kronis yang dapat menurunkan kualitas hidup dan berpotensi meningkatkan beban biaya perawatan apabila tidak terdeteksi sejak dini. Penelitian ini bertujuan membandingkan kinerja dua algoritma klasifikasi, yaitu Artificial Neural Network (ANN) dan Decision Tree, untuk memprediksi status diabetes menggunakan data klinis tabular. Dataset yang digunakan mengacu pada Pima Indians Diabetes Dataset yang berisi delapan variabel prediktor numerik, meliputi Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, DiabetesPedigreeFunction, dan Age, dengan target biner Outcome. Tahapan penelitian mengikuti kerangka CRISP-DM yang mencakup pemahaman masalah, pemahaman data, persiapan data, pemodelan, dan evaluasi, pada tahap persiapan data dilakukan penanganan nilai nol yang tidak realistis secara fisiologis pada beberapa variabel dengan pendekatan imputasi median, serta pembagian data secara terstratifikasi menjadi data pelatihan, validasi, dan pengujian. Pemilihan ANN didasarkan pada kemampuannya mempelajari pola nonlinier antarvariabel klinis, sedangkan Decision Tree dipilih karena interpretabilitasnya melalui aturan keputusan yang mudah ditelusuri. Hasil evaluasi pada data pengujian menunjukkan Decision Tree mencapai akurasi 0,8292, sedangkan ANN mencapai akurasi 0,7458, sehingga pada konteks data yang digunakan Decision Tree memberikan performa yang lebih baik dan lebih stabil. Temuan ini menegaskan bahwa evaluasi model perlu mempertimbangkan metrik seperti precision, recall, F1-score, dan confusion matrix, karena kesalahan mengklasifikasikan pasien diabetes dapat berdampak pada keterlambatan tindak lanjut klinis.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Yorri Afarlin, Muhammad (00000067739)
Contributors:	Natalia, Friska
Keywords:	diabetes, klasifikasi, Decision Tree, Artificial Neural Network, CRISP-DM, evaluasi model, confusion matrix
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	04 Feb 2026 08:03
URI:	https://kc.umn.ac.id/id/eprint/44566

Actions (login required)

View Item