PENERAPAN HYPERPARAMETER TUNING PADA ALGORITMA XGBOOST UNTUK PREDIKSI PENYAKIT DIABETES MELLITUS

Haqqi, Matsnan (2025) PENERAPAN HYPERPARAMETER TUNING PADA ALGORITMA XGBOOST UNTUK PREDIKSI PENYAKIT DIABETES MELLITUS. Other thesis, Universitas Amikom Purwokerto.

[thumbnail of COVER.pdf] Text
COVER.pdf

Download (574kB)
[thumbnail of DAFTAR ISI.pdf] Text
DAFTAR ISI.pdf

Download (563kB)
[thumbnail of ABSTRAK.pdf] Text
ABSTRAK.pdf

Download (546kB)
[thumbnail of BAB I.pdf] Image
BAB I.pdf
Restricted to Registered users only

Download (681kB)
[thumbnail of BAB II.pdf] Image
BAB II.pdf
Restricted to Registered users only

Download (829kB)
[thumbnail of BAB III.pdf] Image
BAB III.pdf
Restricted to Registered users only

Download (698kB)
[thumbnail of BAB IV.pdf] Image
BAB IV.pdf
Restricted to Registered users only

Download (1MB)
[thumbnail of BAB V.pdf] Image
BAB V.pdf
Restricted to Registered users only

Download (548kB)
[thumbnail of DAFTAR PUSTAKA.pdf] Image
DAFTAR PUSTAKA.pdf
Restricted to Registered users only

Download (781kB)
[thumbnail of LAMPIRAN.pdf] Text
LAMPIRAN.pdf
Restricted to Repository staff only

Download (794kB)

Abstract

Penerapan hyperparameter tuning pada algoritma XGBoost untuk prediksi penyakit diabetes mellitus dilakukan untuk meningkatkan akurasi prediksi diabetes. Penelitian ini memanfaatkan dataset terbuka yang terdiri dari 70.000 baris data dan 22 variable, dengan fokus pada sembilan variabel utama yakni GenHltlh, HighBP, BMI, HighChol, Age, DiffWalk, Income, HeartDiseaseorAttack dan PhysHlth. Metode yang digunakan mencakup pembersihan data, seleksi fitur penanganan outlier menggunakan metode winsorization, pembagian data latih dan data uji dnegan startified sampling, serta pengembangan model baseline XGBoost tanpa tuning menghasilkan akurasi sebesar 73% sementara model dengan hyperparameter tuning mencapai akurasi 74%. Analisis Confusion Matrix dan Classification Report menunjukkan peningkatan pada nilai presicion, recall, dan f1-score, terutama pada kelas positif atau terdeteksi diabetes. Sebagai langkah lanjutan, model ini dideploy dalam aplikasi web sederhana menggunakan Flask untuk menguji fungsionalitas model. Meskipun demikian, aplikasi ini bersifat prototipe beta dan belum dirancang untuk penggunaan medis karena model masih memerlukan validasi lebih lanjut. Penelitian ini menunjukkan bahwa optimasi hyperparameter pada XGBoost memberikan hasil yang lebih baik dibandingkan model baseline. Model yang dihasilkan memiliki potensi untuk digunakan dalam presiksi awal diabetes, namun memerlukan pengujian tambmahan sebelum diimplementasi secara luas.
Item Type: Thesis (Other)
Additional Information: Dosen Pembimbing : Prof. Dr. Taqwa Hariguna, S.T., M.Kom.
Uncontrolled Keywords: Kata kunci: prediksi diabetes, hyperparameter tuning, XGBoost, confusion matrix.
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Ilmu Komputer > Sistem Informasi
Depositing User: UPT Perpustakaan Pusat Universitas Amikom Purwokerto
Date Deposited: 25 Mar 2025 05:56
Last Modified: 25 Mar 2025 05:56
URI: https://eprints.amikompurwokerto.ac.id/id/eprint/2645

Actions (login required)

View Item
View Item