<![CDATA[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.]]>
Copyrights © 2026
