Muhammad Hilmy, Haidar Aly (2024) KLASIFIKASI DIABETES MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE RADIAL BASIS FUNCTION. Undergraduate thesis, UPN Veteran Jawa Timur.
|
Text (Cover)
coverSkripsi.pdf Download (1MB) | Preview |
|
|
Text (BAB 1)
bab 1.pdf Download (118kB) | Preview |
|
|
Text (BAB 2)
bab 2.pdf Download (548kB) | Preview |
|
![[img]](http://repository.upnjatim.ac.id/style/images/fileicons/text.png) |
Text (BAB 3)
bab 3.pdf Restricted to Repository staff only until 11 January 2027. Download (236kB) |
|
|
Text (BAB 4)
bab 4.pdf Restricted to Repository staff only until 11 January 2027. Download (700kB) |
|
|
Text (BAB 5)
bab 5.pdf Restricted to Repository staff only until 11 January 2027. Download (46kB) |
|
|
Text (DAFTAR PUSTAKA)
Dapus.pdf Download (110kB) | Preview |
|
|
Text (DAFTAR LAMPIRAN)
lampiran.pdf Download (1MB) | Preview |
Abstract
Diabetes melitus (DM) merupakan penyakit kronis yang berhubungan dengan tingginya kadar gula atau glukosa dalam darah. Diabetes disebabkan oleh salah satu dari dua penyebab, yaitu reaksi autoimun (sistem pertahanan tubuh yang menyerang insulin) atau resistensi insulin (tubuh tidak sepenuhnya menanggapi insulin). Identifikasi dan prediksi diabetes dengan akurasi yang cukup tinggi menjadi fokus utama dalam bidang kesehatan. Salah satu pendekatan yang telah digunakan secara luas adalah penggunaan algoritma Support Vector Machine (SVM) dalam pemodelan prediktif. Support Vector Machine (SVM) adalah salah satu metode machine learning yang dikenal cukup efektif untuk suatu kasus klasifikasi. Pada penelitian ini mengusulkan penerapan algoritma SVM untuk mendeteksi penyakit diabetes melitus berdasarkan data klinis. Data yang digunakan melibatkan parameter seperti kehamilan, glukosa, tekanan darah, ketebalan kulit, insulin, berat badan, keturunan, dan umur. Pengembangan model SVM melibatkan tahap pelatihan menggunakan dataset yang telah di dapat dan pengujian dengan dataset terpisah untuk mengevaluasi kinerja model. Beberapa penelitian telah dilakukan untuk meningkatkan kinerja prediksi penyakit diabetes itu sendiri. Sehingga ditemukan beberapa hasil akurasi sebagai berikut, menggunakan Logistic Regression menghasilkan akurasi 76%, Random Forest Classifier menghasilkan akurasi 82%, dan Decision Tree menghasilkan akurasi 80%. Menurut hasil eksperimen menunjukkan bahwa model SVM berhasil memberikan prediksi yang lebih baik dari ketiga algoritma tersebut. Analisis fitur dilakukan untuk mengidentifikasi kontribusi relatif dari masing – masing parameter terhadap keputusan model. Penerapan algoritma SVM dalam deteksi diabetes melitus dapat menjadi alat yang efektif dalam mengidentifikasi manusia yang berisiko, memungkinkan intervensi dini yang lebih baik. Penelitian ini tidak hanya memberikan kontribusi pada bidang kesehatan, tetapi juga dapat membuka pintu bagi pengembangan solusi teknologi yang lebih baik untuk mendukung diagnosis dan pemantauan penyakit. Dengan demikian, penelitian ini diharapkan dapat memberikan kontribusi positif pada upaya pencegahan diabetes. Kata kunci : klasifikasi, diabetes, dan Support Vector Machine.
| Item Type: | Thesis (Undergraduate) | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
||||||||||||
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science | ||||||||||||
| Divisions: | Faculty of Computer Science > Departemen of Data Science | ||||||||||||
| Depositing User: | Muhammad Hilmy Haidar | ||||||||||||
| Date Deposited: | 24 Jan 2024 08:49 | ||||||||||||
| Last Modified: | 02 Feb 2024 09:28 | ||||||||||||
| URI: | http://repository.upnjatim.ac.id/id/eprint/20595 |
Actions (login required)
 |
View Item |