@mastersthesis{universitasamikomyogyakarta31791,
          school = {Universitas AMIKOM Yogyakarta},
           month = {February},
            year = {2026},
           title = {PENGEMBANGAN MODEL PREDIKSI DIABETES BERBASIS HYBRID
ENSEMBLE DENGAN INTEGRASI SMOTE UNTUK OPTIMASI
SKRINING DI SISTEM INFORMASI MANAJEMEN RUMAH SAKIT},
          author = {Muh Ikbal Sodikin},
             url = {https://eprints.amikom.ac.id/id/eprint/31791/},
        keywords = {Prediksi Diabetes, Hybrid Ensemble, SMOTE, XGBoost, Sistem
Informasi Manajemen Rumah Sakit, Machine Learning, Weighted Voting, Feature
Engineering, Optimasi Threshold, Skrining Klinis, Diabetes Mellitus, Hospital Management Information System, Machine learning, Weighted Voting, Feature Enggineering, Threshold Optimization, Clinic Screening,},
        abstract = {Diabetes mellitus merupakan masalah kesehatan masyarakat Indonesia yang
semakin meningkat dengan prevalensi 10,9\% pada populasi dewasa. Tantangan
utama dalam sistem layanan kesehatan adalah fenomena underdiagnosis, di mana
sekitar 70\% kasus diabetes tidak terdiagnosis hingga stadium lanjut. Penelitian ini
bertujuan mengembangkan model prediksi diabetes yang akurat dengan
memanfaatkan data klinis dasar dari Sistem Informasi Manajemen Rumah Sakit
(SIMRS) melalui pendekatan hybrid ensemble machine learning.
Metode penelitian menggunakan data retrospektif dari SIMRS sebanyak 958
sampel dengan 7 variabel klinis awal. Tahapan penelitian meliputi: (1) prapemrosesan

data dan validasi klinis, (2) advanced feature engineering yang
mengembangkan 7 fitur menjadi 23 fitur melalui transformasi polynomial, clinical
flags, dan interaction terms, (3) penanganan ketidakseimbangan kelas
menggunakan Synthetic Minority Over-sampling Technique (SMOTE), (4)
pengembangan model hybrid ensemble yang mengkombinasikan XGBoost,
LightGBM, Random Forest, dan Gradient Boosting dengan mekanisme weighted
voting, serta (5) optimasi threshold klasifikasi.
Hasil penelitian menunjukkan bahwa proses feature engineering berhasil
meningkatkan kapasitas prediktif dataset dengan peningkatan mutual information
sebesar 87,5\%. SMOTE efektif menangani ketidakseimbangan kelas ekstrem (rasio
1:4.04) dengan meningkatkan distribusi kelas minoritas dari 19,8\% menjadi 33,3\%.
Model hybrid ensemble dengan konfigurasi bobot optimal (XGBoost: 0.40,
LightGBM: 0.30, Random Forest: 0.20, Gradient Boosting: 0.10) mencapai
akurasi 82,64\%, mengungguli semua model individual. Performa model meningkat
signifikan dengan recall 51,72\% (+6,89\% dari XGBoost individual),
precision 57,69\% (+9,54\%), dan F1-score 54,55\% (+8,12\%). Optimasi threshold
menemukan nilai optimal pada 0,504 (bukan 0,5 konvensional) yang memberikan
balance terbaik antara precision dan recall untuk aplikasi skrining klinis.
Penelitian ini memberikan kontribusi dalam pengembangan arsitektur weighted
voting hybrid ensemble yang mengoptimalkan kombinasi empat algoritma machine learning, integrasi SMOTE dengan hybrid ensemble untuk data tidak seimbang, dan
metodologi threshold optimization untuk aplikasi klinis. Model yang
dikembangkan berpotensi diimplementasikan sebagai sistem pendukung keputusan
klinis untuk skrining diabetes di fasilitas pelayanan kesehatan Indonesia, dengan
rekomendasi untuk validasi multi-center dan integrasi dengan workflow klinis yang
ada.}
}