Tugas Akhir Thaufik Darma Jonhar_12250068

research
  • 22 Oct
  • 2026

Tugas Akhir Thaufik Darma Jonhar_12250068

Diabetes mellitus sebagai penyakit metabolik kronis yang memerlukan prediksi risiko sejak dini untuk mendukung upaya pencegahan. Adapun tujuannya dari penelitian ini guna melakukan perbandingannya kinerja beberapa algoritma machine learning dalam memprediksi risiko diabetes dengan digunakannya teknik Synthetic Minority Over-sampling Technique (SMOTE) serta mengimplementasikan model terbaik ke dalam aplikasi web sederhana. Dataset yang digunakan adalah Diabetes Health Indicators dengan variabel target Diabetes_012, yang terdiri dari tiga kelas, yaitu tidak diabetes, prediabetes, dan diabetes. Tahapan penelitian meliputi pemahaman data, prapemrosesan data, seleksi model awal, pembagian data, pemodelan sebelum SMOTE, penerapan SMOTE pada data latih, pemodelan sesudah SMOTE, evaluasi model, dan implementasi aplikasi web. Algoritma yang dibandingkan ini yaitu Gradient Boosting, LightGBM, XGBoost, AdaBoost, dan Logistic Regression. Evaluasi kinerja model dilaksanakan dengan digunakannya accuracy, precision, recall, maupun F1-score. Temuan ini menegaskan bahwasanya SMOTE memberikan pengaruh yang berbeda pada setiap algoritma. Beberapa model mengalami peningkatan nilai F1-score setelah penerapan SMOTE, meskipun nilai accuracy mengalami penurunan. Performa terbaik diperoleh oleh LightGBM sesudah SMOTE dengan nilai accuracy 0,847958, precision 0,807324, recall 0,847958, maupun F1-score 0,820090. Oleh karena itu, LightGBM sesudah SMOTE dipilih sebagai model terbaik dan diimplementasikan ke dalam prototipe aplikasi web prediksi risiko diabetes. Aplikasi ini memberikan informasi prediksi awal dan tidak digunakan sebagai pengganti diagnosis medis.

Unduhan

  • File unduhan

    Cover.pdf

    Terakhir download 10 Nov 2026 14:11

    File 1 - Cover

    •   diunduh 1x | Ukuran 232 KB
  • File unduhan

    Bab II.pdf

    Terakhir download 10 Nov 2026 14:11

    File 4 - Bab 2

    •   diunduh 1x | Ukuran 710 KB
  • File unduhan

    Bagian Awal Revisi.pdf

    Terakhir download 11 Nov 2026 16:11

    File 2 - Bagian Awal

    •   diunduh 2x | Ukuran 1,997 KB
  • File unduhan

    Lampiran.pdf

    Terakhir download 09 Nov 2026 19:11

    File 8 - Lampiran

    •   diunduh 0x | Ukuran 688 KB
  • File unduhan

    Bab I.pdf

    Terakhir download 10 Nov 2026 14:11

    File 3 - Bab 1

    •   diunduh 1x | Ukuran 579 KB

 

REFERENSI

[1]      M. S. Rahman et al., “Role of Insulin in Health and Disease: An Update,” Int. J. Mol. Sci., vol. 22, no. 12, p. 6403, Jun. 2021, doi: 10.3390/ijms22126403.

[2]      M. Khairul Rezki, M. I. Mazdadi, F. Indriani, M. Muliadi, T. H. Saragih, and V. A. Athavale, “Application Of SMOTE To Address Class Imbalance In Diabetes Disease Classification Utilizing C5.0, Random Forest, And SVM,” J. Electron. Electromed. Eng. Med. Informatics, vol. 6, no. 4, pp. 343–354, Aug. 2024, doi: 10.35882/jeeemi.v6i4.434.

[3]      N. L. Desmita, S. Lonang, and D. T. Kumoro, “COMPARATIVE ANALYSIS OF DECISION TREE AND RANDOM FOREST ALGORITHMS FOR PREDICTING DIABETES MELLITUS,” SainsTech Innov. J., vol. 8, no. 1, pp. 507–518, Oct. 2025, doi: 10.37824/sij.v8i1.2025.783.

[4]      N. Nurussakinah, M. Faisal, and I. B. Santoso, “Algoritma Random Forest dan Synthetic Minority Oversampling Technique (SMOTE) untuk Deteksi Diabetes,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 10, no. 2, pp. 221–234, May 2025, doi: 10.14421/jiska.2025.10.2.221-234.

[5]      A. M. Ridwan and G. D. Setyawan, “Perbandingan Berbagai Model Machine learning Untuk Mendeteksi Diabetes,” Teknokom, vol. 6, no. 2, pp. 127–132, Aug. 2023, doi: 10.31943/teknokom.v6i2.152.

[6]      S. M. Ganie, P. K. D. Pramanik, M. Bashir Malik, S. Mallik, and H. Qin, “An Ensemble learning approach for diabetes prediction using Boosting techniques,” Front. Genet., vol. 14, no. October, pp. 1–15, Oct. 2023, doi: 10.3389/fgene.2023.1252159.

[7]      H. Hairani, A. Anggrawan, and D. Priyanto, “Improvement Performance of the Random Forest Method on Unbalanced Diabetes Data Classification Using Smote-Tomek Link,” Int. J. Informatics Vis., vol. 7, no. 1, pp. 258–264, Feb. 2023, doi: 10.30630/joiv.7.1.1069.

[8]      N. A. Siagian, S. P. Sipayung, A. Rikki, and N. Marbun, “Integrating SMOTE with XGBoost for Robust Classification on Imbalanced Datasets: A Dual-Domain Evaluation,” sinkron, vol. 9, no. 3, pp. 1094–1107, Jul. 2025, doi: 10.33395/sinkron.v9i3.15029.

[9]      A. Salam, L. Azhari, R. S. Septarini, and N. Heriyani, “Pendekatan Hybrid K-Means SMOTE dan Logistic Regression Untuk Deteksi Dini Diabetes mellitus Pada Imbalanced Data,” Bull. Comput. Sci. Res., vol. 5, no. 3, pp. 219–227, Apr. 2025, doi: 10.47065/bulletincsr.v5i3.502.

[10]    H. Z. Shao, X. Liu, D. S. Zong, and Q. J. Song, “Optimization of diabetes prediction methods based on combinatorial balancing algorithm,” Nutr. Diabetes, vol. 14, no. 1, p. 63, Aug. 2024, doi: 10.1038/s41387-024-00324-z.

[11]    J. H. Joloudari, A. Marefat, M. A. Nematollahi, S. S. Oyelere, and S. Hussain, “Effective Class-Imbalance Learning Based on SMOTE and Convolutional Neural Networks,” Appl. Sci., vol. 13, no. 6, p. 4006, Mar. 2023, doi: 10.3390/app13064006.

[12]    E. Ramadanti, D. Aprilya Dinathi, C. Christianskaditya, and D. R. Chandranegara, “Diabetes Disease Detection Classification Using Light Gradient Boosting (LightGBM) With Hyperparameter Tuning,” Sinkron, vol. 8, no. 2, pp. 956–963, Mar. 2024, doi: 10.33395/sinkron.v8i2.13530.

[13]    B. Boehmke and B. Greenwell, Hands-On Machine learning with R. Chapman and Hall/CRC, 2019. doi: 10.1201/9780367816377.

[14]    T. Syamsudin, T. Handhayani, and M. I. Syaifudin, “Perbandingan Klasifikasi Penyakit Diabetes Menggunakan Metode Machine learning,” J. Ilmu Komput. dan Sist. Inf., vol. 12, no. 1, pp. 1–7, Jan. 2024, doi: 10.24912/jiksi.v12i1.28197.

[15]    A. D. Sembiring Depari, K. D. Tania, and P. E. Sevtiyuni, “Penerapan Metode Machine learning Dan Teknik SMOTE untuk Prediksi Diabetes,” J. Sist. Komput. dan Inform., vol. 7, no. 2, pp. 436–447, Dec. 2025, doi: 10.30865/json.v7i2.9032.

[16]    I. Gridin, Hyperparameter Optimization. 2022. doi: 10.1007/978-1-4842-8149-9_2.

[17]    R. D. Joshi and C. K. Dhakal, “Predicting Type 2 Diabetes Using Logistic Regression and Machine learning Approaches,” Int. J. Environ. Res. Public Health, vol. 18, no. 14, p. 7346, Jul. 2021, doi: 10.3390/ijerph18147346.

[18]    N. T. R. Adiningrum and N. H. Harani, “Analisis Perbandingan Ensemble Machine learning Dengan Teknik Smote Untuk Prediksi Diabetes,” JEIS J. Elektro dan Inform. Swadharma, vol. 5, no. 1, pp. 121–130, Jan. 2025, doi: 10.56486/jeis.vol5no1.681.

[19]    A. R. B. Alamsyah, S. R. Anisa, N. S. Belinda, and A. Setiawan, “SMOTE and Nearmiss Methods for Disease Classification with Unbalanced Data,” Proc. Int. Conf. Data Sci. Off. Stat., vol. 2021, no. 1, pp. 305–314, Jan. 2022, doi: 10.34123/icdsos.v2021i1.240.

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru