Pengembangan Sistem Klasifikasi Penyakit Diabetes Menggunakan Algoritma Random Forest dan Particle Swarm Optimization

Maulana, Farhan Rizqi (2025) Pengembangan Sistem Klasifikasi Penyakit Diabetes Menggunakan Algoritma Random Forest dan Particle Swarm Optimization. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026211140-Non_Degree.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Diabetes merupakan salah satu penyakit kronis yang prevalensinya terus meningkat secara global. Berdasarkan data dari World Health Organization, jumlah penderita diabetes mengalami lonjakan tajam dari 108 juta pada tahun 1980 menjadi 422 juta pada tahun 2014. Di Indonesia, pada tahun 2019, tercatat sekitar 10,7 juta orang menderita diabetes, menempatkan Indonesia sebagai salah satu negara dengan jumlah penderita diabetes tertinggi di dunia. Oleh karena itu, perlu adanya pemanfaatan teknologi informasi untuk membantu mendeteksi risiko penyakit diabetes lebih awal, sehingga upaya pencegahan dan penanganan dapat dilakukan lebih cepat dan efektif. Tugas akhir ini bertujuan untuk mengembangkan sistem klasifikasi penyakit diabetes yang diimplementasikan ke dalam aplikasi berbasis web. Sistem klasifikasi ini dibangun menggunakan metode Random Forest, dengan kombinasi hyperparameter yang dioptimasi menggunakan Particle Swarm Optimization untuk memperoleh hasil klasifikasi yang lebih akurat. Berdasarkan hasil eksperimen, konfigurasi hyperparameter terbaik yang ditemukan adalah jumlah n_estimators sebanyak 10, max_depth sebesar 50, min_samples_split sebanyak 2, min_samples_leaf sebanyak 2, serta max_features menggunakan metode sqrt, dengan proporsi data 90% untuk data pelatihan dan 10% untuk data pengujian pada dataset terseleksi. Model pada skenario ini menunjukkan akurasi sempurna dengan nilai 1, disertai waktu komputasi yang relatif singkat. Dengan hasil tersebut, diharapkan model dapat membantu mengklasifikasikan kondisi medis seseorang dengan baik, baik dalam kategori diabetes, pradiabetes, maupun sehat.
===============================================================================================================================
Diabetes is one of the chronic diseases whose prevalence continues to increase globally. ccording to data from the World Health Organization, the number of people with diabetes surged sharply from 108 million in 1980 to 422 million in 2014. In Indonesia, around 10.7 million people were recorded as having diabetes in 2019, placing Indonesia among the countries with the highest number of diabetes cases in the world. Therefore, it is necessary to utilize information technology to help detect the risk of diabetes earlier, so that prevention and treatment efforts can be carried out more quickly and effectively. This thesis aims to develop a diabetes classification system implemented into a web-based application. The classification system is built using the Random Forest method, with its hyperparameter combinations optimized using Particle Swarm Optimization to achieve more accurate classification results. Based on the experimental results, the best hyperparameter configuration found includes 10 n_estimators, a max_depth of 50, a min_samples_split of 2, a min_samples_leaf of 2, and the max_features set to the sqrt method, with a data split proportion of 90% for training data and 10% for testing data on the selected dataset. The model under this scenario achieved perfect accuracy with a score of 1, accompanied by relatively short computation time. With these results, the model is expected to assist in accurately classifying an individual's medical condition into diabetes, prediabetes, or healthy categories.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Penyakit Diabetes, Klasifikasi, Random Forest, Particle Swarm Optimization, Aplikasi Web. Diabetes Disease, Classification, Random Forest, Particle Swarm Optimization, Web Application
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Farhan Rizqi Maulana
Date Deposited:	25 Jun 2025 07:32
Last Modified:	01 Jul 2025 01:56
URI:	http://repository.its.ac.id/id/eprint/119258

Actions (login required)

View Item