STUDI KOMPARATIF ALGORITMA RANDOM FOREST, GRADIENT BOOSTING, DAN LIGHTGBM PADA KLASIFIKASI RISIKO DIABETES MELITUS

Abstract

Diabetes melitus merupakan penyakit kronis yang menunjukkan kecenderungan peningkatan prevalensi secara berkelanjutan dan telah menjadi permasalahan kesehatan yang signifikan, baik pada tingkat nasional maupun global. Ketidakmampuan dalam mendeteksi penyakit ini sejak dini dapat meningkatkan risiko munculnya berbagai komplikasi serius. Salah satu faktor yang berkontribusi terhadap keterlambatan deteksi dini diabetes melitus adalah masih dominannya penggunaan metode diagnosis berbasis pemeriksaan laboratorium, yang memerlukan biaya relatif tinggi serta waktu pemeriksaan yang cukup lama, sehingga belum sepenuhnya menjangkau seluruh lapisan masyarakat.Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja algoritma Random Forest, Gradient Boosting, dan Light Gradient Boosting Machine (LightGBM) dalam mengklasifikasikan risiko diabetes melitus. Pendekatan penelitian yang digunakan bersifat eksperimental dengan memanfaatkan dataset diabetes yang bersumber dari UCI Machine Learning Repository. Proses penelitian meliputi tahap prapemrosesan data, pembangunan model klasifikasi menggunakan algoritma ensemble learning, serta pengujian performa model melalui metode 10-Fold Cross Validation. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan Area Under Curve (AUC).Hasil analisis menunjukkan bahwa algoritma Gradient Boosting memberikan performa paling baik dibandingkan Random Forest dan LightGBM berdasarkan nilai evaluasi yang diperoleh. Temuan ini menunjukkan bahwa Gradient Boosting memiliki potensi yang signifikan untuk dikembangkan sebagai dasar sistem deteksi dini diabetes melitus berbasis machine learning.