Article Per Year (5 Year)
p-Index From 2020 - 2025
0.92
P-Index
This Author published in this journals
All Journal Jurnal Teknologi dan Informasi AnoaTIK: Jurnal Teknologi Informasi dan Komputer Journal of Information Systems and Technology (JISTech) TENANG : Teknologi, Edukasi, dan Pengabdian Multidisiplin Nusantara Gemilang Media of Computer Science
Mardiawati
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Library & Information Science

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Teknologi dan Informasi

 1 
Evaluasi Model Ensemble Learning pada Identifikasi Faktor Risiko Diabetes Mellitus Syaban, Kharis; Mardiawati
Jurnal Teknologi dan Informasi (JATI) Vol 15 No 2 (2025): Jurnal Teknologi dan Informasi (JATI)
Publisher : Program Studi Sistem Informasi, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/jati.v15i2.16238

Abstract

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.
Co-Authors alders paliling Andi ilham, Andi Anjar Pradipta Fathur Rahman Rustan Jimsan Johar Nur Iin Miftachurohmah, Nisa Mutmainnah Muchtar Noorhasanah Zainuddin Nurfitria Ningsi Rasmiati Rasyid Sya'ban, Kharis Syaban, Kharis Utomo, Puji Prio Yiyuni