Electronic Theses and Dissertation

Diabetes merupakan penyakit kronis yang terus mengalami peningkatan jumlah penderita setiap tahunnya dan menjadi salah satu masalah kesehatan utama di dunia, termasuk di indonesia. penelitian ini bertujuan untuk menganalisis dan membandingkan tingkat akurasi algoritma decision tree c4.5 dan random forest dengan dan tanpa hyperparameter tuning dalam klasifikasi penyakit diabetes. data yang digunakan berasal dari dataset diabetes pada kaggle yang terdiri dari 100.000. tahapan penelitian meliputi preprocessing data, encoding data kategorikal menggunakan one hot encoding, pembagian data menjadi data latih dan data uji dengan rasio 80:20, pemodelan menggunakan algoritma decision tree c4.5 dan random forest, serta optimasi model menggunakan hyperparameter tuning dengan metode grid search cross validation. evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan f1-score. hasil penelitian menunjukkan bahwa penerapan hyperparameter tuning mampu meningkatkan performa kedua algoritma. selain itu, algoritma random forest menghasilkan tingkat akurasi yang lebih tinggi dibandingkan algoritma decision tree c4.5 dalam klasifikasi penyakit diabetes. penelitian ini diharapkan dapat menjadi referensi dalam pengembangan model machine learning untuk membantu proses deteksi dini penyakit diabetes. kata kunci : diabetes, decision tree c4.5, random forest, grid search cv, klasifikasi.

Diabetes is a chronic disease that continues to experience an increasing number of sufferers every year and has become one of the main health problems in the world, including in Indonesia. This study aims to analyze and compare the accuracy level of the Decision Tree C4.5 and Random Forest algorithms with and without Hyperparameter Tuning in classifying diabetes. The data used comes from the diabetes dataset on Kaggle which consists of 100,000. The research stages include data preprocessing, encoding categorical data using One Hot Encoding, dividing the data into training data and test data with a ratio of 80:20, modeling using the Decision Tree C4.5 and Random Forest algorithms, and model optimization using Hyperparameter Tuning with the Grid Search Cross Validation method. Model evaluation was carried out using a confusion matrix with accuracy, precision, recall, and F1-score metrics. The results showed that the application of Hyperparameter Tuning was able to improve the performance of both algorithms. In addition, the Random Forest algorithm produced a higher level of accuracy than the Decision Tree C4.5 algorithm in classifying diabetes. This research is expected to be a reference in the development of machine learning models to assist the process of early detection of diabetes. Keywords : Diabetes, Decision Tree C4.5, Random Forest, Grid Search CV, Classification.