View/Open

Author
Ditta, Winanda Putri

Date Published
01 Dec 2025

Advisor
Tirta Setiawan, S.Pd., M.Si.,
Fajri Farid, M.Sc.,

Subject
Sains Data

Publisher

Diabetes merupakan penyakit kronis dengan prevalensi tinggi di Indonesia, sehingga diperlukan sistem deteksi dini yang akurat dan andal. Penelitian ini menggunakan algoritma Random Forest berbasis Synthetic Minority Oversampling Technique–Nominal Continuous (SMOTE-NC) untuk mengatasi ketidakseimbangan kelas pada dataset BRFSS 2015 yang berjumlah 253.680 entri dengan 22 variabel. Data dibagi menggunakan stratified split (80:20), kemudian dilakukan penyeimbangan kelas dengan SMOTE-NC, optimasi hyperparameter melalui GridSearchCV, serta evaluasi menggunakan 5-fold cross validation. Hasil penelitian menunjukkan bahwa model random forest berbasis SMOTE-NC mencapai akurasi sebesar 91% pada F1-Score. Selain itu, random forest juga mampu mengidentifikasi variabel paling berpengaruh terhadap klasifikasi risiko diabetes. Dengan demikian, integrasi random forest berbasis SMOTE-NC terbukti efektif dalam membangun sistem deteksi dini diabetes yang lebih seimbang, akurat, dan dapat diandalkan.

URI
https://repo.itera.ac.id/depan/submission/SB2509020016

Keyword
Diabetes Random Forest SMOTE-NC Klasifikasi Machine Learning