@phdthesis{universitasamikomyogyakarta33128,
           month = {April},
          school = {Universitas AMIKOM Yogyakarta},
           title = {KOMPARASI PERFORMA ALGORITMA MACHINE
LEARNING PADA DATASET DIABETES DENGAN
PENANGANAN IMBALANCED DATA},
          author = {Iqbal Faris Ihsani},
            year = {2026},
             url = {https://eprints.amikom.ac.id/id/eprint/33128/},
        abstract = {Penyakit diabetes melitus merupakan gangguan metabolisme kronis yang
memerlukan deteksi dini. Pemanfaatan machine learning pada data rekam medis
sangat berpotensi untuk membantu diagnosis, namun sering terkendala oleh
ketidakseimbangan kelas (imbalanced data) yang memicu bias pada prediksi model.
Penelitian ini bertujuan membandingkan performa algoritma klasifikasi ensemble
tree (XGBoost, LightGBM, dan CatBoost) serta menguji efektivitas Synthetic
Minority Over-sampling Technique (SMOTE) dalam mengatasi masalah
ketidakseimbangan data tersebut. 
Eksperimen menggunakan Pima Indians Diabetes Dataset dengan
menerapkan tahapan prapemrosesan seperti imputasi missing value, pembagian
data latih dan uji (90:10), serta penerapan SMOTE secara eksklusif pada data latih.
Model dioptimalkan melalui hyperparameter tuning dan dievaluasi menggunakan
metrik accuracy, precision, recall, F1-score, serta ROC-AUC.  
Hasil penelitian menunjukkan bahwa SMOTE efektif mengatasi bias
prediksi terhadap kelas mayoritas (pasien sehat). Berdasarkan komparasi, algoritma
XGBoost memberikan performa paling superior dan seimbang dengan capaian
accuracy 85,71\%, precision 75,00\%, recall 88,88\%, F1-Score 81,35\%, dan ROCAUC
87,85\%.
Secara
keseluruhan,
XGBoost
direkomendasikan
sebagai
arsitektur

terbaik
untuk
pengembangan
sistem
diagnosis
dini
risiko
diabetes
yang
andal
secara

klinis},
        keywords = {Diabetes, Machine Learning, Imbalanced Data, SMOTE, Ensemble
Tree.}
}