EDGE-AI UNTUK PREDIKSI RESIKO DIABETES TIPE 2 MENGGUNAKAN AUTOENCODER-SVM DAN MLP DENGAN INTEGRASI BLOCKCHAIN

Putro, Deodatus Pranasakti Bimo Restu (2026) EDGE-AI UNTUK PREDIKSI RESIKO DIABETES TIPE 2 MENGGUNAKAN AUTOENCODER-SVM DAN MLP DENGAN INTEGRASI BLOCKCHAIN. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB I.pdf Download (234kB)
	Text BAB II.pdf Download (750kB)
	Text BAB III.pdf Download (816kB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (163kB)
	Text LAMPIRAN.pdf Download (640kB)

Abstract

Diabetes Mellitus Tipe 2 merupakan penyakit kronis yang memerlukan deteksi dini untuk mencegah komplikasi serius. Penelitian ini bertujuan untuk membangun sistem prediksi risiko Diabetes Mellitus Tipe 2 berbasis machine learning yang terintegrasi dengan Edge AI dan blockchain untuk mendukung prediksi real-time serta menjaga integritas hasil prediksi. Dataset yang digunakan merupakan dataset publik National Health and Nutrition Examination Survey (NHANES) periode 2011–2018 yang digabungkan dari beberapa modul menggunakan kunci SEQN. Variabel klinis yang digunakan meliputi usia, jenis kelamin, indeks massa tubuh (BMI), lingkar pinggang, tekanan darah sistolik dan diastolik, glukosa darah puasa, HbA1c, kolesterol total, kolesterol HDL, serta trigliserida. Tahap pra-pemrosesan meliputi filtering usia ≥18 tahun, penanganan missing value, standardisasi fitur menggunakan StandardScaler, serta feature engineering untuk membentuk empat fitur turunan. Penelitian ini membandingkan dua model, yaitu Supervised Autoencoder–Support Vector Machine (Autoencoder–SVM) dan Multilayer Perceptron (MLP) untuk klasifikasi tiga kelas (Normal, Prediabetes, Diabetes). Hasil evaluasi menunjukkan bahwa Autoencoder–SVM memberikan performa terbaik dengan akurasi 98,88%, macro F1-score 98,72%, dan macro AUC (OvR) 99,94%. Model kemudian diimplementasikan dalam sistem Edge AI berbasis Flask dengan antarmuka React, serta pencatatan riwayat prediksi pada database MySQL. Untuk menjamin integritas dan auditabilitas, hasil prediksi di-hash menggunakan SHA-256 dan dicatat ke dalam blockchain melalui smart contract pada jaringan Ethereum lokal (Ganache). Sistem yang diusulkan mampu menghasilkan prediksi yang akurat, efisien, serta mendukung keamanan data melalui mekanisme pencatatan berbasis blockchain

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Delvy Aplirizani -
Date Deposited:	22 May 2026 07:37
Last Modified:	22 May 2026 07:37
URI:	https://repository.unas.ac.id/id/eprint/16196

Actions (login required)

View Item