<![CDATA[Diabetes melitus merupakan penyakit kronis dengan prevalensi yang terus meningkat secara global sehingga diperlukan sistem deteksi dini yang akurat berbasis machine learning. Penelitian ini membandingkan kinerja algoritma Gradient Boosting dan LightGBM dalam memprediksi diabetes menggunakan dua dataset publik, yaitu Diabetes Prediction Dataset (100.000 sampel) dan Early Stage Diabetes Risk Prediction Dataset (520 sampel). Eksperimen dilakukan dalam empat skenario, yaitu baseline, SMOTE, Grid Search, serta kombinasi SMOTE dan Grid Search. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan AUC-ROC dengan F1-score sebagai metrik utama. Hasil penelitian menunjukkan bahwa pada Dataset 1, Gradient Boosting menghasilkan F1-score terbaik sebesar 97,01% pada skenario Baseline dan Grid Search, sedangkan LightGBM memperoleh performa terbaik pada skenario Grid Search dengan F1-score 97,00%. Pada Dataset 2, LightGBM mencapai F1-score 99,04% dan AUC-ROC 100,00% pada skenario Baseline. Selain itu, penerapan SMOTE tidak memberikan peningkatan performa yang konsisten, sedangkan efektivitas Grid Search bergantung pada karakteristik dataset yang digunakan.]]>
Copyrights © 2026
