Evaluasi Model Ensemble Learning pada Identifikasi Faktor Risiko Diabetes Mellitus
DOI:
https://doi.org/10.34010/jati.v15i2.16238Keywords:
diabetes melitus, ensemble learning, machine learning, stacking, prediksi resikoAbstract
Diabetes Mellitus (DM) adalah penyakit kronis dengan angka kejadian yang terus meningkat, terutama di negara berkembang. Mengidentifikasi faktor risiko DM merupakan langkah penting dalam upaya pencegahan dan deteksi dini. Studi ini menganalisis performa dari sejumlah pendekatan ensemble learning—meliputi bagging, boosting, stacking, dan voting—dalam upaya meningkatkan akurasi dan kestabilan prediksi risiko diabetes melitus. Analisis dilakukan menggunakan dataset PIMA Indians Diabetes yang telah melalui tahapan pra-pemrosesan dan diuji melalui eksperimen komputasi. Model dasar seperti Logistic Regression, Support Vector Machine, dan Random Forest dikombinasikan dengan teknik ensemble untuk meningkatkan keandalan prediksi. Evaluasi dilakukan dengan metrik akurasi, Mean Squared Error (MSE), dan R² Score. Hasil menunjukkan bahwa semua metode ensemble mencapai akurasi tinggi sebesar 97%, namun memiliki perbedaan dalam R² Score—Gradient Boosting memiliki nilai tertinggi (0.65), diikuti oleh Stacking (0.63) dan AdaBoost (0.64). Ini menunjukkan bahwa meskipun akurasi konsisten, kemampuan model dalam menjelaskan variabilitas target bergantung pada teknik ensemble yang digunakan. Penelitian ini mengonfirmasi bahwa ensemble learning meningkatkan kinerja prediktif dibandingkan model individu dan memiliki potensi besar dalam skrining diabetes berbasis komunitas, sebagaimana dibahas dalam literatur terbaru.
Downloads
References
I. Nursolihah, D. A. Sembiring, and Sabrina, “Skrining Diabetes Melitus Sebagai Upaya Peningkatan Kesehatan Masyarakat Desa,” Prima Abdika: Jurnal Pengabdian Masyarakat, vol. 4, no. 1, pp. 55–64, 2024, doi: https://doi.org/10.37478/abdika.v4i1.3379.
[2] R. Aisyah and Rochmadina Suci Bestari, “Peningkatan Pengetahuan Masyarakat Tentang Prevalensi Dan Faktor Risiko Diabetes Melitus Serta Upaya Pencegahannya Melalui Edukasi,” Jurnal Pengabdian Masyarakat Medika, pp. 35–40, 2023, doi: 10.23917/jpmmedika.v3i1.1587.
[3] G. Geetha and K. M. Prasad, “Stacking Ensemble Learning-Based Convolutional Gated Recurrent Neural Network for Diabetes Miletus,” Intelligent Automation and Soft Computing, vol. 36, no. 1, pp. 703–718, 2023, doi: 10.32604/iasc.2023.032530.
[4] A. Nagpal, M. Sabharwal, and R. Tripathi, “A novel ensemble machine learning framework for early stage diabetes mellitus prediction,” Multidisciplinary Science Journal, vol. 6, no. 3, pp. 1–8, 2024, doi: 10.31893/multiscience.2024031.
[5] M. S. Reza, R. Amin, R. Yasmin, W. Kulsum, and S. Ruhi, “Improving diabetes disease patients classification using stacking ensemble method with PIMA and local healthcare data,” Heliyon, vol. 10, no. 2, p. e24536, 2024, doi: 10.1016/j.heliyon.2024.e24536.
[6] B. Amma N.G., “En-RfRsK: An ensemble machine learning technique for prognostication of diabetes mellitus,” Egyptian Informatics Journal, vol. 25, no. January, p. 100441, 2024, doi: 10.1016/j.eij.2024.100441.
[7] A. Daza, C. F. Ponce Sánchez, G. Apaza-Perez, J. Pinto, and K. Zavaleta Ramos, “Stacking ensemble approach to diagnosing the disease of diabetes,” Informatics in Medicine Unlocked, vol. 44, no. September 2023, 2024, doi: 10.1016/j.imu.2023.101427.
[8] Q. Saihood and E. Sonuç, “A practical framework for early detection of diabetes using ensemble machine learning models,” Turkish Journal of Electrical Engineering and Computer Sciences, vol. 31, no. 4, pp. 722–738, 2023, doi: 10.55730/1300-0632.4013.
[9] K. Alnowaiser, “Improving Healthcare Prediction of Diabetic Patients Using KNN Imputed Features and Tri-Ensemble Model,” IEEE Access, vol. 12, no. January, pp. 16783–16793, 2024, doi: 10.1109/ACCESS.2024.3359760.
[10] S. Gupta, J. R, A. K. Verma, A. K. Saxena, A. K. Moharana, and S. Goswami, “Ensemble optimization algorithm for the prediction of melanoma skin cancer,” Measurement: Sensors, vol. 29, no. April, p. 100887, 2023, doi: 10.1016/j.measen.2023.100887.
[11] V. Jaiswal, P. Saurabh, U. K. Lilhore, M. Pathak, S. Simaiya, and S. Dalal, “A breast cancer risk predication and classification model with ensemble learning and big data fusion,” Decision Analytics Journal, vol. 8, no. April, p. 100298, 2023, doi: 10.1016/j.dajour.2023.100298.
[12] S. A. Korkmaz and M. Poyraz, “Least Square Support Vector Machine and Minumum Redundacy Maximum Relavance for Diagnosis of Breast Cancer from Breast Microscopic Images,” Procedia - Social and Behavioral Sciences, vol. 174, pp. 4026–4031, 2015, doi: 10.1016/j.sbspro.2015.01.1150.
[13] A. Shah, W. Patel, and H. Koyuncu, “A Hybrid Ensemble Learning Approach for Efficient Diabetic Retinopathy Prediction and Classification Using Machine Learning and Deep Learning Techniques,” International Journal of Intelligent Systems and Applications in Engineering, vol. 12, no. 16s, pp. 85–93, 2024, [Online]. Available: https://ijisae.org/index.php/IJISAE/article/view/4793
[14] S. A. Sabita and Y. Yahfizham, “Penerapan Algoritma Klasifikasi Nearest Neighbor Dalam Mendeteksi Penyakit Diabetes,” Jurnal Bintang Pendidikan dan Bahasa, vol. 2, no. 1, 2024, [Online]. Available: https://doi.org/10.59024/bhinneka.v2i1.645
[15] H. A. Muhammad Hilmy, “Klasifikasi Diabetes Menggunakan Algoritma Support Vector Machine Radial Basis Function,” Jurnal Teknik Informatika dan Teknologi Informasi (JUTITI), vol. 4, no. 1, pp. 28–38, 2024, doi: https://doi.org/10.55606/jutiti.v4i1.3420.
[16] Dewi Nasien et al., “Perbandingan Implementasi Machine Learning Menggunakan Metode KNN, Naive Bayes, dan Logistik Regression Untuk Mengklasifikasi Penyakit Diabetes,” JEKIN - Jurnal Teknik Informatika, vol. 4, no. 1, pp. 10–17, 2024, doi: 10.58794/jekin.v4i1.640.
[17] C. Z. V. Junus, T. Tarno, and P. Kartikasari, “Klasifikasi Menggunakan Metode Support Vector Machine Dan Random Forest Untuk Deteksi Awal Risiko Diabetes Melitus,” Jurnal Gaussian, vol. 11, no. 3, pp. 386–396, 2023, doi: 10.14710/j.gauss.11.3.386-396.
[18] D. S. Rahayu, J. Afifah, and S. Intan, “Classification of Diabetes Mellitus Using C4 . 5 Algorithm , Support Vector Machine ( SVM ) and Linear Regression Klasifikasi Penyakit Diabetes Melitus Menggunakan Algoritma C4 . 5 , Support Vector Machine ( SVM ) dan Regresi Linear,” SENTIMAS: Seminar Nasional Penelitian dan Pengabdian Masyarakat, vol. 1, no. 1 SE-, pp. 56–63, 2023, [Online]. Available: https://journal.irpi.or.id/index.php/sentimas/article/view/550
[19] F. M. Hana, “Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4.5,” Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), vol. 4, no. 1, pp. 32–39, 2020, doi: 10.47970/siskom-kb.v4i1.173.
[20] E. Muningsih, F. Rizki, and K. D. Asiffa, “Diabetes Prediction System ‘Diapres’ Berbasis Optimasi Parameter Pada Metode Decision Tree,” Jurnal Teknoinfo, vol. 18, no. 1, pp. 305–315, 2024, doi: 10.33365/jti.v18i1.3619.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Jurnal Teknologi dan Informasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.
