Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Surya Informatika
Muhammad Randika Saputra
Universitas Perjuangan Tasikmalaya
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Evaluasi Kinerja Algoritma Ensemble Learning Pada Klasifikasi Penyakit Diabetes Berbasis Boosting Method Jose Julian Hidayat; Muhammad Randika Saputra; Arifubila Ramdhani Sigand; Ai Linda Nurahmah Fadilah; Muhammad Dikaisa Ibnu Amin; Azhyka Rizki Ramadhan
Jurnal Surya Informatika Vol. 16 No. 1 (2026): Jurnal Surya Informatika, Vol 16. No. 1, Mei 2026
Publisher : Universitas Muhammadiyah Pekajangan Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.48144/suryainformatika.v16i1.2424

Abstract

Penyakit diabetes merupakan salah satu penyakit kronis yang memerlukan deteksi dini untuk mencegah komplikasi lebih lanjut. Dalam era data mining, penerapan algoritma machine learning khususnya metode ensemble learning berbasis boosting menjadi salah satu pendekatan yang efektif untuk klasifikasi penyakit. Penelitian ini bertujuan untuk mengevaluasi kinerja beberapa algoritma boosting, yaitu Gradient Boosting, Extreme Gradient Boosting (XGBoost), dan CatBoost dalam mengklasifikasikan penyakit diabetes. Dataset yang digunakan terdiri dari 19.230 data dengan dua kelas, yaitu non-diabetes dan diabetes. Evaluasi model dilakukan menggunakan metrik precision, recall, f1-score, dan accuracy. Hasil penelitian menunjukkan bahwa ketiga algoritma memiliki performa yang sangat baik dengan tingkat akurasi sebesar 97%. Gradient Boosting menghasilkan precision sebesar 0,99 dan recall sebesar 0,69 pada kelas diabetes dengan f1-score sebesar 0,81. XGBoost menunjukkan precision sebesar 0,97, recall 0,69, dan f1-score 0,81. Sementara itu, CatBoost menghasilkan precision sebesar 0,98, recall 0,69, dan f1-score 0,81 pada kelas diabetes. Secara keseluruhan, ketiga metode menunjukkan kinerja yang sebanding, dengan keunggulan kecil pada Gradient Boosting dalam hal precision. Namun demikian, nilai recall yang relatif rendah pada kelas diabetes menunjukkan bahwa masih terdapat tantangan dalam mendeteksi seluruh kasus positif. Oleh karena itu, diperlukan pengembangan lebih lanjut untuk meningkatkan sensitivitas model dalam klasifikasi penyakit diabetes
Klasifikasi Penyakit Diabetes Melitus Berbasis Jaringan Syaraf Tiruan Menggunakan Algoritma Multi-Layer Perceptron Jose Julian Hidayat; Daffa Eka Sujianto; Muhammad Randika Saputra; Erik Ahmad Ramdhani; Muhamad Jihansyah; Yogi Nandya
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.1042

Abstract

Diabetes Melitus merupakan salah satu penyakit kronis yang membutuhkan proses deteksi dini secara cepat dan akurat agar risiko komplikasi dapat diminimalkan. Penelitian ini bertujuan untuk mengklasifikasikan penyakit Diabetes Melitus menggunakan Jaringan Syaraf Tiruan dengan algoritma Multi-Layer Perceptron. Dataset yang digunakan terdiri dari 100.000 data dengan 9 atribut, yaitu gender, age, hypertension, heart disease, smoking history, body mass index, HbA1c level, blood glucose level, dan diabetes sebagai target klasifikasi. Setelah dilakukan pengecekan data, tidak ditemukan missing value, namun terdapat 3.854 data duplikat sehingga jumlah data setelah pembersihan menjadi 96.146 data. Proses penelitian meliputi preprocessing data, encoding fitur kategorikal, standardisasi fitur numerik, pembagian data training dan testing, pemodelan Multi-Layer Perceptron, serta evaluasi performa model. Model yang digunakan memiliki beberapa hidden layer dengan aktivasi ReLU, batch normalization, dropout, dan output sigmoid untuk klasifikasi biner. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 0,9715548622, precision sebesar 0,9939810834, recall sebesar 0,6816037736, F1-score sebesar 0,8086743617, dan ROC-AUC sebesar 0,9749626265. Berdasarkan hasil tersebut, algoritma Multi-Layer Perceptron mampu memberikan performa klasifikasi yang baik, khususnya dalam membedakan pasien non-diabetes dan diabetes berdasarkan atribut kesehatan yang tersedia.
Co-Authors Ai Linda Nurahmah Fadilah Arifubila Ramdhani Sigand Azhyka Rizki Ramadhan Daffa Eka Sujianto Erik Ahmad Ramdhani Jose Julian Hidayat Muhamad Jihansyah Muhammad Dikaisa Ibnu Amin Yogi Nandya