EPrints Universitas Amikom YogyakartaKOMPARASI PERFORMA ALGORITMA MACHINE LEARNING PADA DATASET DIABETES DENGAN PENANGANAN IMBALANCED DATAIqbal FarisIhsaniauthorPenyakit 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 klinis000 Ilmu komputer, informasi dan pekerjaan umum2026-04-20Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.