PEMODELAN KLASIFIKASI PENYAKIT DIABETES MENGGUNAKAN ALGORITMA EXTREME GRADIENT BOOSTING(XGBOOST) DAN MULTILAYER PERCEPTRON (MLP)

Carita, I Wayan Adi Purwa (2025) PEMODELAN KLASIFIKASI PENYAKIT DIABETES MENGGUNAKAN ALGORITMA EXTREME GRADIENT BOOSTING(XGBOOST) DAN MULTILAYER PERCEPTRON (MLP). Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2015101003-COVER.pdf
Download (762kB)
[img] Text (ABSTRAK)
2015101003-ABSTRAK.pdf
Download (283kB)
[img] Text (BAB 1 PENDAHULUAN)
2015101003-BAB 1 PENDAHULUAN.pdf
Download (293kB)
[img] Text (BAB 2 KAJIAN TEORI)
2015101003-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (569kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2015101003-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (368kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2015101003-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (953kB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2015101003-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (281kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2015101003-DAFTAR PUSTAKA.pdf
Download (233kB)
[img] Text (LAMPIRAN)
2015101003-LAMPIRAN.pdf
Download (463kB)

Abstract

Diabetes Mellitus (DM) merupakan salah satu penyakit kronis yang memiliki prevalensi tinggi dan berpotensi menimbulkan komplikasi serius apabila tidak dideteksi sejak dini. Deteksi dini menjadi tantangan tersendiri, terutama di daerah dengan keterbatasan tenaga medis dan fasilitas diagnostik. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma Machine Learning, yaitu Extreme Gradient Boosting (XGBoost) dan Multilayer Perceptron (MLP), dalam melakukan klasifikasi penyakit diabetes berdasarkan data pasien dari Rumah Sakit Umum Daerah Bangli. Dataset yang digunakan terdiri dari 531 data pasien yang dikumpulkan selama periode 2021–2024 dan mencakup berbagai fitur medis seperti usia, jenis kelamin, kadar gula darah, tekanan darah, serta riwayat penyakit lainnya. Evaluasi dilakukan berdasarkan metrik akurasi, presisi, recall, F1-score, dan efisiensi waktu pelatihan. Hasil penelitian menunjukkan bahwa kedua algoritma memiliki performa tinggi, namun terdapat perbedaan dalam akurasi dan efisiensi waktu pelatihan yang signifikan. Temuan ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem pendukung keputusan untuk diagnosis dini diabetes yang lebih efektif dan efisien, khususnya di lingkungan pelayanan kesehatan dengan keterbatasan sumber daya.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Diabetes Mellitus, Machine Learning, XGBoost, Multilayer Perceptron, Klasifikasi Penyakit
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: I Wayan Adi Purwa Carita
Date Deposited: 09 Aug 2025 06:19
Last Modified: 10 Aug 2025 06:14
URI: http://repo.undiksha.ac.id/id/eprint/26658

Actions (login required)

View Item View Item