Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business Indonesian Journal of Innovation Multidisipliner Research
Alidin M
Universitas Muhammadiyah Riau
Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

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

Found 2 Documents
Search

 1 
Systematic Literature Review Perbandingan Algoritma Tree-Based Dan Boosting Dalam Klasifikasi Diabetes Mellitus Alidin M; Soni Soni
Indonesian Journal of Innovation Multidisipliner Research Vol. 4 No. 3 (2026): Juli - September
Publisher : Institute of Advanced Knowledge and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijim.v4i3.2010

Abstract

Diabetes Mellitus (DM) merupakan penyakit metabolik kronis dengan prevalensi global yang terus meningkat, sehingga deteksi dini menjadi penting untuk mencegah komplikasi. Penelitian ini menyajikan Systematic Literature Review (SLR) yang membandingkan kinerja algoritma Tree-Based dan Boosting dalam klasifikasi Diabetes Mellitus. Sebanyak 51 artikel yang diterbitkan pada rentang tahun 2020-2025 dipilih melalui proses pencarian basis data, kriteria inklusi-eksklusi, dan quality assessment. Algoritma Tree-Based yang ditinjau meliputi Decision Tree, Random Forest, dan Extra Trees, sedangkan algoritma Boosting meliputi XGBoost, LightGBM, Gradient Boosting, AdaBoost, dan CatBoost. Karena studi yang dianalisis menggunakan dataset, preprocessing, skema validasi, dan metrik yang berbeda, sintesis dilakukan secara deskriptif dan bukan sebagai meta-analisis. Hasil review menunjukkan bahwa Random Forest lebih sering melaporkan performa tinggi dan stabil, sedangkan XGBoost serta algoritma Boosting lainnya tetap kompetitif, terutama ketika dikombinasikan dengan preprocessing, resampling, dan hyperparameter tuning. Teknik resampling seperti SMOTE-ENN umumnya membantu meningkatkan performa pada dataset tidak seimbang. Penggunaan Explainable Artificial Intelligence (XAI), khususnya SHAP, mendukung interpretabilitas model dengan mengidentifikasi fitur klinis penting seperti glukosa, BMI, usia, dan tekanan darah. Review ini memberikan sintesis yang lebih hati-hati sebagai dasar pemilihan algoritma dan strategi preprocessing pada sistem prediksi diabetes.  
Systematic Literature Review Perbandingan Algoritma Tree-Based dan Boosting dalam Klasifikasi Diabetes Mellitus Alidin M; Soni Soni
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12934

Abstract

Diabetes Mellitus (DM) merupakan penyakit metabolik kronis dengan prevalensi global yang terus meningkat, sehingga deteksi dini menjadi penting untuk mencegah komplikasi. Penelitian ini menyajikan Systematic Literature Review (SLR) yang membandingkan kinerja algoritma Tree-Based dan Boosting dalam klasifikasi Diabetes Mellitus. Sebanyak 51 artikel yang diterbitkan pada rentang tahun 2020-2025 dipilih melalui proses pencarian basis data, kriteria inklusi-eksklusi, dan quality assessment. Algoritma Tree-Based yang ditinjau meliputi Decision Tree, Random Forest, dan Extra Trees, sedangkan algoritma Boosting meliputi XGBoost, LightGBM, Gradient Boosting, AdaBoost, dan CatBoost. Karena studi yang dianalisis menggunakan dataset, preprocessing, skema validasi, dan metrik yang berbeda, sintesis dilakukan secara deskriptif dan bukan sebagai meta-analisis. Hasil review menunjukkan bahwa Random Forest lebih sering melaporkan performa tinggi dan stabil, sedangkan XGBoost serta algoritma Boosting lainnya tetap kompetitif, terutama ketika dikombinasikan dengan preprocessing, resampling, dan hyperparameter tuning. Teknik resampling seperti SMOTE-ENN umumnya membantu meningkatkan performa pada dataset tidak seimbang. Penggunaan Explainable Artificial Intelligence (XAI), khususnya SHAP, mendukung interpretabilitas model dengan mengidentifikasi fitur klinis penting seperti glukosa, BMI, usia, dan tekanan darah. Review ini memberikan sintesis yang lebih hati-hati sebagai dasar pemilihan algoritma dan strategi preprocessing pada sistem prediksi diabetes.
Co-Authors Soni