Kolaborasi Algoritma K-Nearest Neighbor Dan Gradient Boosting Untuk Klasifikasi Diabetes Melitus Tipe 2

Abstract

Diabetes Melitus Tipe 2 (DMT2) telah menjadi salah satu tantangan kesehatan masyarakat terbesar di Indonesia, dengan prevalensi yang terus meningkat dan sebagian besar kasus tidak terdiagnosis. Deteksi dini menjadi kunci untuk mencegah komplikasi serius. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi berbasis machine learning untuk prediksi DMT2. Tiga pendekatan dieksplorasi: algoritma K-Nearest Neighbor (KNN), Gradient Boosting, dan model KNN + Gradient Boosting yang mengintegrasikan keduanya melalui arsitektur stacking ensemble. Kinerja diukur menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model ensemble secara signifikan mengungguli model tunggal. Model KNN mencapai akurasi 90.92% namun dengan presisi yang rendah untuk kelas diabetik (0.48). Model Gradient Boosting menunjukkan peningkatan signifikan dengan akurasi 95.50% dan presisi 0.72. Model KNN + Gradient Boosting menunjukkan kinerja terbaik dengan akurasi keseluruhan 96.17% dan presisi tertinggi untuk kelas diabetik (0.81), yang secara efektif mengurangi tingkat alarm palsu. Temuan ini mengindikasikan bahwa model KNN + Gradient Boosting memiliki potensi besar sebagai alat bantu pendukung keputusan klinis yang andal untuk identifikasi dini individu berisiko tinggi DMT2.