Tarigan, Resa Astari Br (2026) KOMPARASI KINERJA ALGORITMA RANDOM FOREST DAN XGBOOST UNTUK KLASIFIKASI KASUS DIABETES. Undergraduate thesis, UNIVERSITAS PENDIDIKAN GANESHA.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2215091018-COVER.pdf Download (484kB) |
|
Text (ABSTRAK)
2215091018-ABSTRAK.pdf Download (242kB) |
|
Text (BAB 1 PENDAHULUAN)
2215091018-BAB 1 PENDAHULUAN.pdf Download (436kB) |
|
Text (BAB 2 KAJIAN TEORI)
2215091018-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (680kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2215091018-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2215091018-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (754kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2215091018-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (410kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2215091018-DAFTAR PUSTAKA.pdf Download (420kB) |
|
Text (LAMPIRAN)
2215091018-LAMPIRAN.pdf Download (436kB) |
Abstract
Diabetes merupakan salah satu penyakit kronis yang prevalensinya terus meningkat dan berpotensi menimbulkan berbagai komplikasi serius apabila tidak terdeteksi secara dini. Tingginya jumlah penderita yang belum terdiagnosis menunjukkan pentingnya pemanfaatan teknologi untuk mendukung proses deteksi dan klasifikasi penyakit secara lebih cepat dan akurat. Salah satu pendekatan yang banyak digunakan adalah machine learning, yang mampu mengidentifikasi pola dari data kesehatan dan menghasilkan prediksi yang mendukung pengambilan keputusan di bidang medis. Penelitian ini bertujuan untuk membandingkan kinerja algoritma XGBoost dan Random Forest dalam klasifikasi Diabetes berdasarkan metrik accuracy, precision, recall, dan F1-score, serta menentukan algoritma dengan performa terbaik dalam mengklasifikasikan data pasien Diabetes. Dataset yang digunakan adalah Diabetes Dataset yang diperoleh dari Mendeley Data dengan jumlah 1.000 data dan 12 atribut. Penelitian ini menerapkan pendekatan Knowledge Discovery in Databases (KDD) yang meliputi tahapan pemilihan data, exploratory data analysis, preprocessing, data cleaning, encoding, feature filtering, pembagian data menjadi data latih dan data uji dengan rasio 80:20, serta pemodelan menggunakan algoritma Random Forest dan XGBoost. Untuk meningkatkan keandalan evaluasi, digunakan metode 5-Fold Cross Validation pada data latih, sedangkan data uji digunakan untuk mengukur performa akhir model terhadap data yang belum pernah diproses sebelumnya. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma XGBoost memiliki performa yang lebih baik dibandingkan Random Forest dengan nilai accuracy sebesar 98,78%, precision sebesar 99,52%, recall sebesar 96,49%, dan F1-score sebesar 97,91%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa XGBoost merupakan algoritma yang lebih efektif dalam klasifikasi kasus Diabetes pada dataset yang digunakan dalam penelitian ini.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Diabetes, Machine Learning, Klasifikasi, Random Forest, XGBoost. |
| Subjects: | A General Works > AI Indexes (General) A General Works > AI Indexes (General) H Social Sciences > H Social Sciences (General) T Technology > T Technology (General) |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Sistem Informasi (S1) |
| Depositing User: | Resa Astari br Tarigan |
| Date Deposited: | 31 Jul 2026 00:43 |
| Last Modified: | 31 Jul 2026 00:43 |
| URI: | http://repo.undiksha.ac.id/id/eprint/31901 |
Actions (login required)
 |
View Item |