Literatur Review: Penerapan Gradient Boosting untuk Klasifikasi Penyakit Diabetes Tipe 2

Abstract

Diabetes Tipe 2 adalah penyakit kronis yang umum dan serius di seluruh dunia, dengan jumlah penderita yang terus bertambah setiap tahunnya. Deteksi dini sangat penting untuk penatalaksanaan yang efektif dan pencegahan komplikasi parah; namun, mengidentifikasi diabetes pada tahap awal seringkali sulit dilakukan karena data medis yang kompleks dan masalah akurasi klasifikasi. Penelitian ini bertujuan untuk memanfaatkan metode Gradient Boosting sebagai alat klasifikasi untuk meningkatkan akurasi deteksi diabetes Tipe 2. Gradient Boosting dipilih karena kemampuannya menangani data kompleks dan meningkatkan akurasi klasifikasi melalui proses peningkatan berulang. Penelitian ini menggunakan kumpulan data medis yang berisi variabel kunci untuk pasien diabetes tipe 2, seperti kadar gula darah, tekanan darah, usia, indeks massa tubuh. , dan riwayat kesehatan keluarga. Kumpulan data ini dibagi menjadi subset pelatihan dan pengujian. Algoritma Gradient Boosting diterapkan pada data pelatihan, dengan penyetelan parameter untuk mengoptimalkan performa model. Efektivitas klasifikasi dievaluasi menggunakan akurasi, presisi, perolehan, dan area di bawah kurva ROC (AUC) sebagai metrik untuk mengukur keandalan dan presisi model. Hasil menunjukkan bahwa model Gradient Boosting mencapai akurasi klasifikasi yang tinggi, dengan skor AUC 0,92, menunjukkan kinerja yang kuat dalam mengidentifikasi pasien diabetes. Temuan ini menunjukkan bahwa Gradient Boosting adalah metode yang layak untuk meningkatkan akurasi deteksi dini pada diabetes Tipe 2. Oleh karena itu, model ini berpotensi mendukung profesional kesehatan dalam membuat keputusan diagnostik yang lebih cepat dan akurat dalam mengelola diabetes Tipe 2.