NABILA, Erisa Putri (2026) Klasifikasi Diagnosis Penyakit Tuberkulosis Menggunakan Algoritma Random Forest. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Erisa Putri Nabila-K1B022095-Skripsi-2026.pdf Download (362kB)
	PDF (Legalitas) LEGALITAS-Erisa Putri Nabila-K1B022095-Skripsi-2026.pdf Restricted to Repository staff only Download (2MB)
	PDF (Abstrak) ABSTRAK-Erisa Putri Nabila-K1B022095-Skripsi-2026.pdf Download (323kB)
	PDF (BabI) BAB-I-Erisa Putri Nabila-K1B022095-Skripsi-2026.pdf Restricted to Repository staff only until 4 May 2027. Download (446kB)
	PDF (BabII) BAB-II-Erisa Putri Nabila-K1B022095-Skripsi-2026.pdf Restricted to Repository staff only until 4 May 2027. Download (1MB)
	PDF (BabIII) BAB-III-Erisa Putri Nabila-K1B022095-Skripsi-2026.pdf Restricted to Repository staff only until 4 May 2027. Download (644kB)
	PDF (BabIV) BAB-IV-Erisa Putri Nabila-K1B022095-Skripsi-2026.pdf Restricted to Repository staff only Download (3MB)
	PDF (BabV) BAB-V-Erisa Putri Nabila-K1B022095-Skripsi-2026.pdf Download (323kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Erisa Putri Nabila-K1B022095-Skripsi-2026.pdf Download (605kB)
	PDF (Lampiran) LAMPIRAN-Erisa Putri Nabila-K1B022095-Skripsi-2026.pdf Restricted to Repository staff only Download (1MB)

Abstract

Tuberkulosis merupakan salah satu penyakit menular yang masih menjadi permasalahan kesehatan serius di Indonesia sehingga diperlukan metode diagnosis yang cepat dan akurat untuk membantu proses pengambilan keputusan. Penelitian ini bertujuan untuk membangun model klasifikasi diagnosis penyakit tuberkulosis berdasarkan data klinis menggunakan pendekatan machine learning dengan algoritma Random Forest serta mengukur performa model berdasarkan nilai accuracy, precision, recall, dan F1-score. Data yang digunakan dalam penelitian ini adalah Tuberculosis X-Ray Dataset (Synthetic) yang diunggah oleh Arif Miah pada platform Kaggle. Proses penelitian meliputi tahap praproses data, pembagian data dengan beberapa rasio, pelatihan model, serta evaluasi performa model menggunakan metrik evaluasi klasifikasi. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan nilai accuracy berturut-turut sebesar 70,1%, 70,6%, dan 71,2% pada rasio data split 70:30, 80:20, dan 90:10, yang menunjukkan bahwa model mampu mengklasifikasikan status pasien tuberkulosis dengan tingkat ketepatan sekitar 70% dari keseluruhan data uji, baik untuk kelas tuberkulosis maupun normal. Selain itu, nilai precision, recall, dan F1-score yang diperoleh relatif serupa dan tidak berbeda secara signifikan. Keseragaman performa antar rasio data split menunjukkan bahwa performa model lebih dipengaruhi oleh karakteristik fitur pada dataset dibandingkan oleh variasi pembagian data, serta menunjukkan stabilitas algoritma Random Forest dalam melakukan klasifikasi diagnosis tuberkulosis.

Item Type:	Thesis (Skripsi)
Nomor Inventaris:	K26028
Uncontrolled Keywords:	tuberkulosis; klasifikasi; random forest; machine learning
Subjects:	T > T335 Tuberculosis
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > S1 Matematika
Depositing User:	Mrs. Erisa Putri Nabila
Date Deposited:	04 May 2026 07:36
Last Modified:	04 May 2026 07:36
URI:	http://repository.unsoed.ac.id:443/id/eprint/40895

Actions (login required)

View Item