YUNIARSIH, Eka Putri (2025) Klasifikasi Penyakit Diabetes Menggunakan Metode Random Forest. Skripsi thesis, Universitas Jenderal Soedirman.
![[img]](http://repository.unsoed.ac.id/style/images/fileicons/other.png) |
PDF (Cover)
COVER-Eka Putri Yuniarsih-K1B021037-Skripsi-2025.pdf Download (257kB) |
|
PDF (Legalitas)
LEGALITAS-Eka Putri Yuniarsih-K1B021037-Skripsi-2025.pdf Restricted to Repository staff only Download (693kB) |
|
PDF (Abstrak)
ABSTRAK-Eka Putri Yuniarsih-K1B021037-Skripsi-2025.pdf Download (287kB) |
|
PDF (BabI)
BAB-I-Eka Putri Yuniarsih-K1B021037-Skripsi-2025.pdf Restricted to Repository staff only until 26 May 2026. Download (293kB) |
|
PDF (BabII)
BAB-II-Eka Putri Yuniarsih-K1B021037-Skripsi-2025.pdf Restricted to Repository staff only until 26 May 2026. Download (653kB) |
|
PDF (BabIII)
BAB-III-Eka Putri Yuniarsih-K1B021037-Skripsi-2025.pdf Restricted to Repository staff only until 26 May 2026. Download (282kB) |
|
PDF (BabIV)
BAB-IV-Eka Putri Yuniarsih-K1B021037-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB) |
|
PDF (BabV)
BAB-V-Eka Putri Yuniarsih-K1B021037-Skripsi-2025.pdf Download (282kB) |
|
PDF (DaftarPustaka)
DAFTAR PUSTAKA-Eka Putri Yuniarsih-K1B021037-Skripsi-2025.pdf Download (252kB) |
|
PDF (Lampiran)
LAMPIRAN-Eka Putri Yuniarsih-K1B021037-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB) |
Abstract
Diabetes merupakan penyakit metabolik yang ditandai dengan tingginya kadar gula dalam darah. International Diabetes Federation (IDF) mencatat pada tahun 2011 dan 2021 ada sebanyak 366 juta dan 537 juta penderita diabetes dan kematian sebanyak 4,6 juta dan 6,7 juta jiwa. Diagnosis dini perlu dilakukan untuk mengidentifikasi potensi pasien terkena diabetes. Penelitian ini bertujuan untuk mengklasifikasikan diabetes menggunakan machine learning yaitu metode Random Forest dengan tiga rasio data split, yaitu 80:20, 75:25, dan 70:30. Data yang digunakan yaitu Diabetes Prediction Dataset yang diunggah oleh Mohammed Mustafa di Kaggle. Model klasifikasi Random Forest dibentuk berdasarkan kombinasi parameter terbaik yang telah ditentukan yaitu max features, n estimators, max depth, min samples split, dan criterion. Evaluasi kinerja model dilakukan dengan menghitung akurasi ketiga model yang hasilnya berturut-turut yaitu 90,70%, 90,11%, dan 89,71%. Ketiganya menunjukkan performa yang sangat baik dalam mengklasifikasikan pasien negatif dan positif diabetes serta tidak ada perbedaan yang berarti. Implementasi ketiga model dilakukan terhadap dataset baru dan ketiganya memberikan prediksi diabetes yang hampir sama dengan persentase kesamaan antar model lebih dari 99%. Hal ini mengindikasikan bahwa algoritma Random Forest memberikan hasil yang stabil terhadap variasi data split dan layak digunakan untuk mengklasifikasikan penyakit diabetes.
| Item Type: | Thesis (Skripsi) |
|---|---|
| Nomor Inventaris: | K25069 |
| Uncontrolled Keywords: | diabetes, klasifikasi, machine learning, random forest |
| Subjects: | C > C459 Classification G > G86 Geometry Mathematical models Set theory |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > S1 Matematika |
| Depositing User: | Mrs. Eka Putri Yuniarsih |
| Date Deposited: | 26 May 2025 04:48 |
| Last Modified: | 26 May 2025 04:48 |
| URI: | http://repository.unsoed.ac.id/id/eprint/34204 |
Actions (login required)
 |
View Item |
