<![CDATA[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]]>
Copyrights © 2026
