KOMPARASI 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