PEMODELAN PREDIKSI RISIKO ALZHEIMER DISEASE (AD) MENGGUNAKAN ALGORITMA RANDOM FOREST

Noviana, Anisa and Sutedi, Sutedi (2026) PEMODELAN PREDIKSI RISIKO ALZHEIMER DISEASE (AD) MENGGUNAKAN ALGORITMA RANDOM FOREST. Skripsi thesis, Institut Informatika dan Bisnis Darmajaya.

	Text COVER.pdf Download (240kB)
	Text PERNYATAAN.pdf Download (350kB)
	Text PENGESAHAN.pdf Download (3MB)
	Text PERSETUJUAN.pdf Download (3MB)
	Text PERSEMBAHAN.pdf Download (179kB)
	Text MOTTO.pdf Download (154kB)
	Text RIWAYAT HIDUP.pdf Download (177kB)
	Text INTISARI.pdf Download (265kB)
	Text ABSTRACT.pdf Download (116kB)
	Text PRAKATA.pdf Download (245kB)
	Text DAFTAR ISI.pdf Download (227kB)
	Text DAFTAR TABEL.pdf Download (236kB)
	Text DAFTAR GAMBAR.pdf Download (239kB)
	Text BAB 1.pdf Download (274kB)
	Text BAB 2.pdf Download (478kB)
	Text BAB 3.pdf Download (437kB)
	Text BAB 4.pdf Download (2MB)
	Text BAB 5.pdf Download (236kB)
	Text DAFTAR PUSTAKA.pdf Download (229kB)

Abstract

Alzheimer Disease (AD) merupakan penyebab utama demensia dan kematian tertinggi ketujuh di dunia, ditandai dengan penurunan daya ingat, kemampuan berpikir, dan aktivitas sehari-hari akibat kerusakan permanen pada sistem saraf otak. Penelitian ini bertujuan untuk mengukur efektivitas algoritma Random Forest dalam memprediksi risiko Alzheimer dengan mengombinasikan metode seleksi fitur Pearson Correlation guna menentukan variabel yang paling berpengaruh. Dataset yang digunakan berasal dari Kaggle dengan total 2.149 data berisi 32 fitur dan satu kolom target, serta diolah melalui Google Colaboratory menggunakan pendekatan binary classification. Hasil penelitian menunjukkan bahwa model Random Forest memiliki performa tinggi dengan akurasi 95,58%, precision 96,53%, recall 90,89%, dan f1-score 93,60%, meskipun terdapat ketidakseimbangan kelas pada data. Dengan demikian, algoritma Random Forest terbukti efektif dalam memprediksi risiko Alzheimer Disease (AD) dan dapat dijadikan alat bantu alternatif dalam mendukung deteksi dini penyakit tersebut secara lebih efisien dan akurat.

Item Type:	Thesis (Skripsi)
Subjects:	Ilmu Komputer eSkripsi
Divisions:	Skripsi/TA & PKPM/KP - Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	Anisa Noviana
Date Deposited:	06 Feb 2026 02:56
Last Modified:	06 Feb 2026 02:56
URI:	http://repo.darmajaya.ac.id/id/eprint/23600

Actions (login required)

View Item