IMPLEMENTASI ALGORITMA MACHINE LEARNING PADA SISTEM DETEKSI DINI PENYAKIT DIABETES BERBASIS APLIKASI WEB

Zidny Alfian Barik, 3012210049 (2026) IMPLEMENTASI ALGORITMA MACHINE LEARNING PADA SISTEM DETEKSI DINI PENYAKIT DIABETES BERBASIS APLIKASI WEB. Undergraduate thesis, Universitas Internasional Semen Indonesia.

	Text (COVER) 0. COVER.pdf Download (451kB)
	Text (HALAMAN JUDUL) 1. HALAMAN JUDUL.pdf Restricted to Repository staff only Download (128kB) | Request a copy
	Text (HALAMAN PENGESAHAN) 2. HALAMAN PENGESAHAN.pdf Restricted to Repository staff only Download (560kB) | Request a copy
	Text (HALAMAN PERSETUJUAN PUBLIKASI) 3. HALAMAN PERSETUJUAN PUBLIKASI.pdf Restricted to Repository staff only Download (413kB) | Request a copy
	Text (HALAMAN PERNYATAAN ORISINALITAS) 4. HALAMAN PERNYATAAN ORISINALITAS.pdf Restricted to Repository staff only Download (339kB) | Request a copy
	Text (ABSTRAK) 5. ABSTRAK.pdf Download (422kB)
	Text (KATA PENGANTAR) 6. KATA PENGANTAR.pdf Restricted to Repository staff only Download (337kB) | Request a copy
	Text (DAFTAR ISI) 7. DAFTAR ISI.pdf Download (455kB)
	Text (DAFTAR GAMBAR) 8. DAFTAR GAMBAR.pdf Restricted to Repository staff only Download (408kB) | Request a copy
	Text (DAFTAR TABEL) 9. DAFTAR TABEL.pdf Restricted to Repository staff only Download (406kB) | Request a copy
	Text (BAB 1 PENDAHULUAN) 10.BAB I PENDAHULUAN.pdf Download (438kB)
	Text (BAB 2 KAJIAN PUSTAKA) 11.BAB II KAJIAN PUSTAKA.pdf Restricted to Registered users only Download (621kB) | Request a copy
	Text (BAB 3 METODOLOGI PENELITIAN) 12.BAB III METODOLOGI PENELITIAN.pdf Restricted to Registered users only Download (996kB) | Request a copy
	Text (BAB 4 HASIL DAN PEMBAHASAN) 13.BAB IV HASIL DAN PEMBAHASAN.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB 5 PENUTUP) 14.BAB V PENUTUP.pdf Restricted to Registered users only Download (375kB) | Request a copy
	Text (DAFTAR PUSTAKA) 15.DAFTAR PUSTAKA.pdf Download (393kB)
	Text (LAMPIRAN) 16.LAMPIRAN.pdf Restricted to Repository staff only Download (168kB) | Request a copy
	Text (SKRIPSI - ZIDNY ALFIAN BARIK (3012210049)) 17.SKRIPSI - ZIDNY ALFIAN BARIK (3012210049).pdf Restricted to Repository staff only Download (3MB) | Request a copy
	Text (SKRIPSI - ZIDNY ALFIAN BARIK (3012210049)) 18.SKRIPSI - ZIDNY ALFIAN BARIK (3012210049).docx Restricted to Repository staff only Download (10MB) | Request a copy
	Image (POSTER - ZIDNY ALFIAN BARIK (3012210049)) POSTER - ZIDNY ALFIAN BARIK (3012210049).jpg Download (2MB)

Abstract

Diabetes melitus mengindikasikan gangguan metabolik menahun yang menuntut langkah identifikasi awal guna mengeliminasi peluang terjadinya komplikasi sekunder. Pemanfaatan machine learning dapat membantu proses skrining awal melalui identifikasi pola pada data klinis dan demografis. Investigasi ilmiah ini bermaksud menganalisis komparasi performa lima metode kecerdasan buatan, yakni Logistic Regression, Gaussian Naive Bayes, K-Nearest Neighbors, Decision Tree, dan Random Forest, serta mengimplementasikan model dengan performa terbaik ke dalam sistem deteksi dini penyakit diabetes berbasis aplikasi web. Dataset penelitian berasal dari data rekam medis pasien Klinik Krisna 2 PPS Suci Gresik. Setelah proses preprocessing, pembentukan label, dan penyeimbangan kelas, diperoleh dataset akhir sebanyak 600 data yang terdiri atas 300 data diabetes dan 300 data non-diabetes. Fitur yang digunakan meliputi umur, jenis kelamin, indeks massa tubuh (BMI), tekanan darah sistolik, dan tekanan darah diastolik. Kumpulan data didistribusikan ke dalam data pembelajaran dan data pengujian memanfaatkan perbandingan 80:20 bersandarkan stratifikasi kategori. Penyelarasan hiperparameter dieksekusi memanifestasikan GridSearchCV berbasis kriteria 10-fold cross-validation pada data latih. Evaluasi akhir dilakukan pada data uji menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa Random Forest memberikan performa keseluruhan terbaik dengan accuracy sebesar 85,83%, precision 84,13%, recall 88,33%, dan F1-score 86,18%. Random Forest dipilih sebagai model terbaik karena secara konsisten memperoleh nilai accuracy, precision, dan F1-score tertinggi dibandingkan keempat algoritma lainnya, serta menyajikan proporsionalitas yang lebih unggul antara kapasitas mengidentifikasi kelompok diabetes dan ketepatan hasil prediksinya, meskipun Gaussian Naive Bayes memperoleh recall tertinggi namun dengan precision yang lebih rendah sehingga lebih berisiko menghasilkan prediksi positif keliru. Model Random Forest selanjutnya diterapkan ke dalam peranti lunak web menggunakan framework Streamlit dengan SQLite sebagai basis data. Bersandarkan hasil black-box testing, setiap kapabilitas inti dari sistem berfungsi bersesuaian dengan parameter yang sudah dirancang. Hasil penelitian ini menunjukkan bahwa algoritma Random Forest mampu mendeteksi risiko diabetes dengan performa yang baik dan dapat diimplementasikan secara efektif ke dalam sistem berbasis web yang mudah diakses, sehingga berpotensi digunakan sebagai alat bantu skrining awal bagi tenaga kesehatan maupun masyarakat umum. Sistem ini bersifat sebagai alat bantu deteksi dini dan bukan sebagai pengganti diagnosis medis oleh tenaga profesional.

Item Type:	Thesis (Undergraduate)
Additional Information:	Softfile/KK.26/UISI-01/IF
Uncontrolled Keywords:	Diabetes Melitus, Machine learning, Random Forest, Deteksi Dini, Streamlit.
Contributors:	Contribution Name Email Thesis advisor Puji Andayani, S.Si., M.Si., M.Sc. puji.andayani@uisi.ac.id
Subjects:	T Technology > T Technology (General)
Divisions:	Department of Informatics
Depositing User:	Zidny Alfian Barik
Date Deposited:	24 Aug 2026 16:37
Last Modified:	24 Aug 2026 16:39
URI:	https://repository.uisi.ac.id/id/eprint/9277

Actions (login required)

View Item