Perbandingan Performa Algoritma Random Forest dan Support Vector Machine untuk Memprediksi Penyakit Diabetes Mellitus

Abdul Wicaksono, Risang (2026) Perbandingan Performa Algoritma Random Forest dan Support Vector Machine untuk Memprediksi Penyakit Diabetes Mellitus. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (770kB)
	PDF BAB_I.pdf Download (251kB)
	PDF BAB_II.pdf Download (355kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (235kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (249kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (432kB)
	Archive (ZIP) CREATION_FILE.zip Restricted to Registered users only Download (599MB)
	Archive (ZIP) 00000042650_2521_LembarPengesahan.pdf Restricted to Registered users only Download (27kB)

Abstract

Penyakit Diabetes Mellitus merupakan ancaman kesehatan global yang memerlukan deteksi dini secara presisi. Pendekatan Machine Learning terbukti efektif mengenali pola risiko penyakit ini melalui data klinis. Penelitian ini bertujuan membandingkan performa algoritma Random Forest dan Support Vector Machine (SVM) dalam memprediksi risiko Diabetes Mellitus menggunakan kerangka kerja CRISP-DM. Eksperimen dilakukan pada dataset Behavioral Risk Factor Surveillance System (BRFSS) dari CDC yang berjumlah masif, yakni 2.313.629 rekam medis pasien. Teknik Undersampling diterapkan pada fase pra- pemrosesan untuk mengatasi ketidakseimbangan kelas (class imbalance). Karena ditujukan untuk pembangunan Clinical Decision Support System (CDSS), evaluasi model sangat memprioritaskan metrik Recall (Sensitivitas) guna meminimalisasi risiko False Negative pada pasien berisiko tinggi. Hasil komparasi menunjukkan algoritma SVM dengan fungsi kernel Radial Basis Function (RBF) lebih superior dibandingkan Random Forest. Model SVM RBF memperoleh nilai Area Under the Curve (AUC) sebesar 0.8099 dan Recall awal 79,01%. Melalui optimasi hyperparameter Grid Search, sensitivitas SVM RBF meningkat signifikan hingga mencapai nilai Recall 83,60%. Sebagai luaran akhir, model SVM teroptimasi tersebut diserialisasi dan diimplementasikan (deployment) menjadi purwarupa aplikasi penapisan (skrining) deteksi dini berbasis web menggunakan framework Streamlit.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Abdul Wicaksono, Risang (00000042650)
Contributors:	Desanti, Ririn Ikana
Keywords:	Diabetes Mellitus, Machine Learning, Random Forest, Support Vector Machine
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 Aug 2026 11:58
URI:	https://kc.umn.ac.id/id/eprint/49266

Actions (login required)

View Item