ROHMAN, Fiqi Nur (2026) Pemodelan Klasifikasi Penyakit Diabetes Menggunakan Random Forest Dengan Grey Wolf Optimization. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 01. Cover.pdf Download (253kB)
	Text 03. Abstrak.pdf Download (288kB)
	Text 04. Abstract.pdf Download (351kB)
	Text 05. Halaman Pengesahan I.pdf Download (1MB)
	Text 06. Halaman Pengesahan II.pdf Download (429kB)
	Text 07. Kata Pengantar.pdf Download (327kB)
	Text 08. Daftar Isi.pdf Download (260kB)
	Text 13. BAB I PENDAHULUAN.pdf Download (298kB)
	Text 18. DAFTAR PUSTAKA.pdf Download (254kB)

Abstract

Penyakit diabetes melitus merupakan salah satu penyakit kronis global yang paling
mengkhawatirkan, ditandai dengan kemampuannya menyebabkan berbagai
komplikasi serius seperti kebutaan, gagal ginjal, serangan jantung, hingga
kematian. Meskipun deteksi dini sangat krusial untuk pencegahan atau penundaan
komplikasi, metode diagnosis konvensional seringkali memakan waktu dan
memerlukan kunjungan klinis, sehingga banyak pasien yang enggan
melakukannya. Perkembangan teknologi machine learning menawarkan solusi
yang menjanjikan untuk mempercepat proses deteksi dan prediksi klasifikasi
diabetes melalui model klasifikasi yang cerdas dan otomatis. Algoritma Random
Forest (RF) memiliki potensi tinggi untuk tugas klasifikasi, namun kinerjanya
sangat bergantung pada optimasi hyperparameter. Penelitian ini bertujuan untuk
meningkatkan performa klasifikasi model RF untuk prediksi diabetes dengan
mengoptimalkan hyperparameter-nya menggunakan algoritma Grey Wolf
Optimization (GWO). Penelitian ini menggunakan dataset PIMA Indians Diabetes
(N=768). Data melalui tahap pra-pemrosesan yang meliputi penanganan nilai nol
yang tidak logis, manajemen outlier dengan Robust Scaling, normalisasi data, dan
penyeimbangan kelas pada data latih menggunakan SMOTE (Synthetic Minority
Over-sampling Technique). Kinerja model RF dasar (baseline) dibandingkan
dengan model RF yang dioptimalkan GWO menggunakan validasi silang K-Fold
(K=10). Metrik evaluasi yang digunakan adalah Akurasi, Presisi, Recall, F1-Score,
dan AUC (Area Under the Curve). Hasil menunjukkan model RF dasar mencapai
akurasi 76,19% dan AUC 0,88. Setelah optimasi dengan GWO, model RF berhasil
mencapai akurasi 82,53%, presisi 80,0%, dan AUC 0,93. Hasil ini membuktikan
bahwa optimasi hyperparameter menggunakan GWO secara signifikan
meningkatkan akurasi dan keandalan model Random Forest dalam klasifikasi
penyakit diabetes.
Kata Kunci: Klasifikasi Diabetes, Random Forest, Grey Wolf Optimization,
Optimasi Hyperparameter, Machine Learning

Actions (login required)

View Item