@prefix cc: . @prefix foaf: . @prefix ep: . @prefix owl: . @prefix epid: . @prefix xsd: . @prefix dc: . @prefix geo: . @prefix event: . @prefix eprel: . @prefix rdf: . @prefix bibo: . @prefix rdfs: . @prefix void: . @prefix skos: . @prefix dct: . <> foaf:primaryTopic ; rdfs:comment "The repository administrator has not yet configured an RDF license."^^xsd:string . dct:hasPart ; ep:hasFile ; rdf:type bibo:Document, ep:Document; rdfs:label "PENGEMBANGAN MODEL PREDIKSI DIABETES BERBASIS HYBRID\r\nENSEMBLE DENGAN INTEGRASI SMOTE UNTUK OPTIMASI\r\nSKRINING DI SISTEM INFORMASI MANAJEMEN RUMAH SAKIT (Text)"^^xsd:string . rdf:_1 . <> ; bibo:abstract "Diabetes mellitus merupakan masalah kesehatan masyarakat Indonesia yang\r\nsemakin meningkat dengan prevalensi 10,9% pada populasi dewasa. Tantangan\r\nutama dalam sistem layanan kesehatan adalah fenomena underdiagnosis, di mana\r\nsekitar 70% kasus diabetes tidak terdiagnosis hingga stadium lanjut. Penelitian ini\r\nbertujuan mengembangkan model prediksi diabetes yang akurat dengan\r\nmemanfaatkan data klinis dasar dari Sistem Informasi Manajemen Rumah Sakit\r\n(SIMRS) melalui pendekatan hybrid ensemble machine learning.\r\nMetode penelitian menggunakan data retrospektif dari SIMRS sebanyak 958\r\nsampel dengan 7 variabel klinis awal. Tahapan penelitian meliputi: (1) prapemrosesan\r\n\r\ndata dan validasi klinis, (2) advanced feature engineering yang\r\nmengembangkan 7 fitur menjadi 23 fitur melalui transformasi polynomial, clinical\r\nflags, dan interaction terms, (3) penanganan ketidakseimbangan kelas\r\nmenggunakan Synthetic Minority Over-sampling Technique (SMOTE), (4)\r\npengembangan model hybrid ensemble yang mengkombinasikan XGBoost,\r\nLightGBM, Random Forest, dan Gradient Boosting dengan mekanisme weighted\r\nvoting, serta (5) optimasi threshold klasifikasi.\r\nHasil penelitian menunjukkan bahwa proses feature engineering berhasil\r\nmeningkatkan kapasitas prediktif dataset dengan peningkatan mutual information\r\nsebesar 87,5%. SMOTE efektif menangani ketidakseimbangan kelas ekstrem (rasio\r\n1:4.04) dengan meningkatkan distribusi kelas minoritas dari 19,8% menjadi 33,3%.\r\nModel hybrid ensemble dengan konfigurasi bobot optimal (XGBoost: 0.40,\r\nLightGBM: 0.30, Random Forest: 0.20, Gradient Boosting: 0.10) mencapai\r\nakurasi 82,64%, mengungguli semua model individual. Performa model meningkat\r\nsignifikan dengan recall 51,72% (+6,89% dari XGBoost individual),\r\nprecision 57,69% (+9,54%), dan F1-score 54,55% (+8,12%). Optimasi threshold\r\nmenemukan nilai optimal pada 0,504 (bukan 0,5 konvensional) yang memberikan\r\nbalance terbaik antara precision dan recall untuk aplikasi skrining klinis.\r\nPenelitian ini memberikan kontribusi dalam pengembangan arsitektur weighted\r\nvoting hybrid ensemble yang mengoptimalkan kombinasi empat algoritma machine learning, integrasi SMOTE dengan hybrid ensemble untuk data tidak seimbang, dan\r\nmetodologi threshold optimization untuk aplikasi klinis. Model yang\r\ndikembangkan berpotensi diimplementasikan sebagai sistem pendukung keputusan\r\nklinis untuk skrining diabetes di fasilitas pelayanan kesehatan Indonesia, dengan\r\nrekomendasi untuk validasi multi-center dan integrasi dengan workflow klinis yang\r\nada."^^xsd:string; bibo:authorList ; bibo:status ; dc:hasVersion ; dct:creator , ; dct:date "2026-02-03"; dct:isPartOf ; dct:issuer , ; dct:subject , ; dct:title "PENGEMBANGAN MODEL PREDIKSI DIABETES BERBASIS HYBRID\r\nENSEMBLE DENGAN INTEGRASI SMOTE UNTUK OPTIMASI\r\nSKRINING DI SISTEM INFORMASI MANAJEMEN RUMAH SAKIT"^^xsd:string; ep:hasDocument ; ep:hasPublished ; rdf:type bibo:Article, bibo:Thesis, ep:EPrint, ep:ThesisEPrint; rdfs:seeAlso . rdf:type skos:Concept; skos:prefLabel "000 Ilmu komputer, informasi dan pekerjaan umum"@en . rdf:type skos:Concept; skos:prefLabel "004 Pemrosesan data dan ilmu komputer"@en . rdfs:label "22.55.2291 Muh Ikbal Sodikin.pdf"^^xsd:string . dc:format "text/html"; dc:title "HTML Summary of #31791 \n\nPENGEMBANGAN MODEL PREDIKSI DIABETES BERBASIS HYBRID \nENSEMBLE DENGAN INTEGRASI SMOTE UNTUK OPTIMASI \nSKRINING DI SISTEM INFORMASI MANAJEMEN RUMAH SAKIT\n\n"; foaf:primaryTopic . dct:hasPart ; foaf:name "Universitas AMIKOM Yogyakarta"^^xsd:string; rdf:type foaf:Organization . dct:isPartOf ; foaf:name "PJJ Magister Informatika, Universitas AMIKOM Yogyakarta"^^xsd:string; rdf:type foaf:Organization . foaf:familyName "Sodikin"^^xsd:string; foaf:givenName "Muh Ikbal"^^xsd:string; foaf:name "Muh Ikbal Sodikin"^^xsd:string; rdf:type foaf:Person . foaf:familyName "Utami"^^xsd:string; foaf:givenName "Ema"^^xsd:string; foaf:name "Ema Utami"^^xsd:string; rdf:type foaf:Person .