Klasifikasi Diabetes Tipe 2 menggunakan Algoritma Logistic Regression dan Random Forest dengan Pendekatan CRISP-DM

Lie Tjandra, Bryant (2026) Klasifikasi Diabetes Tipe 2 menggunakan Algoritma Logistic Regression dan Random Forest dengan Pendekatan CRISP-DM. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (597kB)
	PDF BAB_I.pdf Download (357kB)
	PDF BAB_II.pdf Download (555kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (454kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (928kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (243kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (258kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (828kB)
	Archive (ZIP) 00000067969_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Diabetes melitus tipe 2 merupakan salah satu penyakit kronis dengan prevalensi yang terus meningkat secara global. Berdasarkan data International Diabetes Federation (IDF), jumlah penderita diabetes terus bertambah setiap tahunnya, sehingga diperlukan metode deteksi dini yang akurat dan efisien untuk membantu tenaga kesehatan dalam mengidentifikasi individu yang berisiko mengalami diabetes. Perkembangan teknologi machine learning memberikan peluang untuk membangun model prediksi yang mampu mendukung proses deteksi dini penyakit secara lebih cepat dan objektif. Penelitian ini bertujuan untuk mengklasifikasikan diabetes tipe 2 menggunakan algoritma Logistic Regression dan Random Forest dengan pendekatan CRISP-DM (Cross-Industry Standard Process for Data Mining). Dataset yang digunakan terdiri dari 100.000 data pasien dengan berbagai atribut klinis dan demografis yang berkaitan dengan diabetes. Tahapan penelitian meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Pada tahap pemodelan dilakukan hyperparameter tuning menggunakan GridSearchCV untuk memperoleh konfigurasi parameter terbaik pada masing-masing algoritma. Hasil penelitian menunjukkan bahwa model Random Forest hasil hyperparameter tuning memberikan performa terbaik dengan nilai accuracy sebesar 91,98%, precision sebesar 99,98%, recall sebesar 86,65%, dan F1- score sebesar 92,84%. Sementara itu, model Logistic Regression memperoleh nilai accuracy sebesar 86,91%, precision sebesar 89,43%, recall sebesar 88,66%, dan F1-score sebesar 89,04%. Analisis feature importance menunjukkan bahwa variabel HbA1c, glucose postprandial, dan glucose fasting merupakan faktor yang paling berpengaruh dalam proses prediksi diabetes. Selain itu, model terbaik berhasil diimplementasikan ke dalam aplikasi web berbasis Streamlit sehingga dapat digunakan untuk melakukan prediksi risiko diabetes secara interaktif. Hasil penelitian menunjukkan bahwa pendekatan Random Forest efektif digunakan dalam klasifikasi diabetes tipe 2 dan berpotensi mendukung proses deteksi dini penyakit.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Lie Tjandra, Bryant (00000067969)
Contributors:	Natalia, Friska
Keywords:	diabetes tipe 2, logistic regression, random forest, crisp-dm, hyperparameter tuning, streamlit
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:	21 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47793

Actions (login required)

View Item