DETEKSI RISIKO DIABETES BERDASARKAN FAKTOR KESEHATAN MENGGUNAKAN LONG SHORT-TERM MEMORY (LSTM) DAN XGBOOST
DOI:
https://doi.org/10.31539/62qf2c40Abstract
Diabetes melitus merupakan penyakit kronis yang menjadi masalah kesehatan global karena dapat menyebabkan komplikasi serius seperti gagal ginjal, penyakit jantung, dan kematian. Penelitian ini bertujuan untuk mengembangkan sistem deteksi risiko diabetes berbasis kombinasi Long Short-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost). Dataset yang digunakan berasal dari Kaggle dengan sembilan fitur kesehatan utama. Proses penelitian meliputi preprocessing data menggunakan SMOTE, pelatihan model LSTM untuk ekstraksi fitur, serta klasifikasi menggunakan XGBoost. Hasil pengujian menunjukkan model hybrid LSTM-XGBoost memiliki akurasi sebesar 96,24% dan ROC-AUC 97,46%. Model ini juga berhasil diimplementasikan dalam sistem berbasis web menggunakan Flask yang memudahkan pengguna melakukan deteksi risiko diabetes secara cepat, efisien, dan interaktif.
Kata Kunci: Diabetes, LSTM, XGBoost, Deep Learning, Deteksi
References
Abdurrosyid, R., & Almais, A. T. W. (2025). Deteksi Dini Diabetes menggunakan Machine Learning dengan Metode PCA dan XGBoost. JEPIN (Jurnal Edukasi Dan Penelitian Informatika), 11(1), 51–56.
Aditya, M. F., Pramuntadi, A., Wijaya, D. P., & Wicaksono, Y. (2024). Implementasi Metode Decision Tree pada Prediksi Penyakit Diabetes Melitus Tipe 2. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(3), 1104–1110.
Adji Kusuma, D., Ratna Dewi, A., & Rony Wijaya, A. (2025). Perbandingan Random Forest dan Convolutional Neural Network dalam Memprediksi Peralihan Pelanggan. Jurnal Informatika Sunan Kalijaga), 10(2), 186–194.
Cahyana, A., Susanto, E. R., & Parjito. (2025). Penerapan Algoritma XGBoost untuk Prediksi Diabetes: Analisis Confusion Matrix dan ROC Curve. Fountain of Informatics Journal, 10(1), 40–50.
Chowdary, P. B. K., & Kumar, Dr. R. U. (2021). An Effective Approach for Detecting Diabetes using Deep Learning Techniques based on Convolutional LSTM Networks. IJACSA) International Journal of Advanced Computer Science and Applications, 12(4), 519–525.
El-Attar, N. E., Moustafa, B. M., & Awad, W. A. (2022). Deep learning model to detect diabetes mellitus based on dna sequence. Intelligent Automation and Soft Computing, 31(1), 325–338.
Febrianti, L. F., Nur, M. I., Haris, M. Al, & Amri, S. (2025). Implementasi Metode XGBoost dan SHAP untuk Klasifikasi dan Analisis Faktor Risiko Penyakit Diabetes Mellitus. Seminar Nasional Sains Data, 5(1), 336–346.
Firdaus, D., Afin, Sumardi, I., & Chazar, C. (2025). Deteksi Serangan Pada Jaringan Internet Of Things Medis Menggunakan Machine Learning Dengan Algoritma XGBoost. CyberSecurity Dan Forensik Digital, 8(1), 34–42.
Gunawan, S., Astuti, R., Prihartono, W., & Hamonangan, R. (2025). PREDIKSI DIABETES MELLITUS TIPE 2 DENGAN ALGORITMA LOGISTIC REGRESSION UNTUK PENDETEKSIAN DINI. Jurnal Informatika Dan Teknik Elektro Terapan, 13(1), 848-854.
Kwanda, K., Herwindiati, D. E., & Lauro, M. D. (2024). Perbandingan LSTM dan Bidirectional LSTM pada Sistem Prediksi Harga Saham Berbasis Website. Ranah Research, 7(1), 26–35.
Panigrahy, S., Dash, S., & Padhy, S. (2024). SMOTE-based Deep LSTM System with GridSearchCV Optimization for Intelligent Diabetes Diagnosis. J. Electrical Systems, 20(7), 804–815.
Putri, S. R., Arifin, M., & Supriyono. (2025). Sistemasi: Jurnal Sistem Informasi Analisis Sentimen Publik terhadap Nadiem Makarim sebagai Mendikbudrisktek menggunakan Support Vector Machine (SVM). Sistemasi: Jurnal Sistem Informasi, 14(2), 826–834.
Swastika, R., Mukodimah, S., Susanto, F., Muslihudin, M., & Ipnuwati, S. (2023). IMPLEMENTASI DATA MINING (Clastering, Association, Prediction, Estimation, Classification). Indramayu: Penerbit Adab.
World Health Organizatio (WHO). (2024, November 14). Who.Int. diakses pada 10 Oktober 2025, pukul 14.00 dari https://www.who.int/news-room/fact-sheets/detail/diabetes
Yulianti, A., Fitri, F., Amalita, N., & Vionanda, D. (2023). The SMOTE Application of CART Methods for Coping Imbalanced Data in Classifying Status Work on Labor Force in the City of Padang. UNP JOURNAL OF STATISTICS AND DATA SCIENCE, 1(3), 172–179.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Siti Inayatul Mufidah, Irma Handayani
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
