<![CDATA[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.]]>
Copyrights © 2025
