PENGEMBANGAN HYBRID EXPERT SYSTEM MENGGUNAKAN METODE FUZZY MAMDANI DAN K-NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI RISIKO DIABETES MELITUS

Hutapea, Kristopher Fredrik (2026) PENGEMBANGAN HYBRID EXPERT SYSTEM MENGGUNAKAN METODE FUZZY MAMDANI DAN K-NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI RISIKO DIABETES MELITUS. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 123220075_Cover - KRISTOPHER FREDRIK HUTAPEA.pdf Download (143kB)
	Text 123220075_Abstrak - KRISTOPHER FREDRIK HUTAPEA.pdf Download (175kB)
	Text 123220075_Halaman Pengesahan - KRISTOPHER FREDRIK HUTAPEA.pdf Download (249kB)
	Text 123220075_Daftar Isi - KRISTOPHER FREDRIK HUTAPEA.pdf Download (199kB)
	Text 123220075_Daftar Pustaka - KRISTOPHER FREDRIK HUTAPEA.pdf Download (166kB)
	Text 123220075_Fulltext - KRISTOPHER FREDRIK HUTAPEA.pdf Restricted to Repository staff only Download (2MB)

Abstract

Diabetes melitus merupakan salah satu penyakit tidak menular dengan prevalensi
yang terus meningkat dan menjadi ancaman serius bagi kesehatan masyarakat. Deteksi yang
umumnya dilakukan setelah muncul gejala klinis menyebabkan banyak kasus terlambat
ditangani sehingga meningkatkan risiko komplikasi. Kondisi ini mendorong perlunya sistem
deteksi dini yang mampu mengklasifikasikan risiko diabetes berdasarkan kombinasi faktor
klinis dan gaya hidup. Permasalahan dalam penelitian ini adalah bagaimana membangun
sistem klasifikasi yang mampu menangani ketidakpastian data medis sekaligus
memanfaatkan pola historis dari data populasi dalam satu mekanisme yang terintegrasi.
Penelitian ini mengembangkan Hybrid Expert System menggunakan integrasi Logika
Fuzzy Mamdani dan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan risiko
diabetes ke dalam kategori Risiko Rendah, Risiko Sedang, dan Risiko Tinggi. Dataset yang
digunakan berasal dari National Health and Nutrition Examination Survey (NHANES)
dengan total 4.024 data hasil pembersihan dari 9.813 data awal. Sistem dirancang
menggunakan arsitektur paralel yang memisahkan parameter klinis ke dalam modul Fuzzy
Mamdani Klinis dan parameter gaya hidup ke dalam modul Fuzzy Mamdani Lifestyle.
Setiap modul menerapkan proses fuzzifikasi, inferensi aturan, agregasi, dan defuzzifikasi
metode Centroid. Secara paralel, algoritma KNN dilatih menggunakan seluruh fitur dengan
pemilihan nilai K optimal melalui 5-fold cross-validation. Untuk menangani
ketidakseimbangan kelas pada dataset, diterapkan teknik SMOTE pada data training.
Seluruh keluaran sistem kemudian digabungkan menggunakan mekanisme Weighted
Decision Fusion dengan bobot 30% untuk komponen klinis, 50% untuk komponen gaya
hidup, dan 20% untuk probabilitas KNN berdasarkan validasi pakar medis.
Hasil penelitian menunjukkan bahwa model KNN dengan nilai K=3 menghasilkan
nilai F1-macro sebesar 0,8668 pada tahap validasi. Pada data uji, model memperoleh akurasi
sebesar 75,28% dengan nilai ROC-AUC sebesar 0,6669 serta recall sebesar 0,45 pada kelas
berisiko. Hasil validasi pakar juga menunjukkan bahwa variabel, fungsi keanggotaan, aturan
fuzzy, dan mekanisme penggabungan keputusan yang digunakan telah sesuai dengan
pendekatan klinis dalam penilaian risiko diabetes. Penelitian ini berkontribusi dalam
menyediakan sistem skrining dini diabetes yang lebih transparan, interpretatif, dan relevan
secara klinis sebagai pendukung proses pemeriksaan medis konvensional.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Diabetes Melitus, Fuzzy Mamdani, K-Nearest Neighbor, Hybrid Expert System, Decision Fusion
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	09 Oct 2026 02:20
Last Modified:	09 Oct 2026 02:20
URI:	http://eprints.upnyk.ac.id/id/eprint/49639

Actions (login required)

View Item