PREDIKSI DINI DIABETES BERBASIS MACHINE LEARNING: Studi Perbandingan dan Evaluasi Kinerja

Penulis

Muhammad Rosdiana
Universitas Pamulang

Kata Kunci:

PREDIKSI DINI, DIABETES, MACHINE LEARNING

Sinopsis

 Buku ini membahas pendekatan modern dalam mendeteksi dini penyakit diabetes menggunakan teknologi machine learning. Melalui perpaduan kajian medis, teknik pengolahan data, dan analisis algoritmik, penulis menyajikan pemahaman komprehensif terkait bagaimana model kecerdasan buatan dapat membantu mempercepat proses diagnosis, meningkatkan efisiensi, serta mendukung pengambilan keputusan klinis.
Dimulai dengan pengantar epidemiologi dan karakteristik klinis diabetes, buku ini menjelaskan faktor risiko, mekanisme biologis, serta urgensi deteksi dini. Pembaca kemudian diarahkan pada pemahaman fundamental machine learning, mencakup konsep, klasifikasi algoritma, peluang, serta tantangan etis dalam implementasinya di bidang kesehatan.
Tahapan penting seperti prapemrosesan data klinis—meliputi pembersihan data, penanganan missing values, normalisasi, hingga seleksi fitur—dipaparkan secara sistematis agar pembaca memahami pentingnya kualitas data dalam pembentukan model prediktif yang andal. Pembahasan kemudian berlanjut pada perbandingan algoritma klasifikasi populer seperti Logistic Regression, KNN, Random Forest, SVM, dan XGBoost. Setiap metode dijelaskan dari sisi teori, kelebihan, kekurangan, serta konteks penggunaannya.
Buku ini juga memuat studi kasus nyata, yaitu prediksi diabetes menggunakan Pima Indians Diabetes Dataset. Implementasi model, evaluasi kinerja, serta interpretasi hasil disajikan secara terstruktur sehingga mudah diikuti. Ulasan mengenai berbagai pendekatan evaluasi, seperti akurasi, recall, F1-score, dan AUC memberikan gambaran menyeluruh mengenai keandalan model dalam konteks klinis.
Dengan bahasa yang jelas dan praktis, buku ini menjadi rujukan berharga bagi mahasiswa, akademisi, peneliti, maupun praktisi kesehatan yang tertarik menggali potensi machine learning dalam mendukung pencegahan dan deteksi dini diabetes. Kehadiran buku ini diharapkan mampu menjadi jembatan antara dunia kesehatan dan teknologi, serta mendorong terciptanya sistem diagnosis yang lebih cepat, akurat, dan efektif.

Bab

  • KATA PENGANTAR
  • DAFTAR ISI
  • PENDAHULUAN
  • BAGIAN 1 FONDASI DASAR
  • BAGIAN 2 METODOLOGI DAN PENDEKATAN PEMODELAN
  • BAGIAN 3 IMPLEMENTASI DAN APLIKASI PRAKTIS
  • DAFTAR PUSTAKA
  • PROFIL PENULIS

Unduhan

Data unduhan belum tersedia.

Biografi Penulis

Muhammad Rosdiana, Universitas Pamulang

Muhammad Rosdiana adalah seorang akademisi dan peneliti yang berdedikasi di bidang Teknik Informatika, berkarya di Universitas Pamulang (Unpam), Tangerang, Indonesia. Ia menempuh pendidikan Sarjana Komputer di Unpam (fakultas Teknik Informatika). Setelah lulus, ia melanjutkan kariernya di Unpam sebagai dosen dan peneliti, aktif dalam mengembangkan penelitian dan publikasi di bidang cloud computing, kecerdasan buatan dan aplikasi digital.

Referensi

Aditya, P. R., & Wibowo, A. (2021). Prediksi Risiko Diabetes Melitus Menggunakan Extreme Gradient Boosting (XGBoost). Jurnal Ilmiah Teknologi Informasi Terapan, 7(2), 88-95. DOI: 10.33197/jitter.vol7.iss2.2021.693

Ali Linkon A, Rahman Noman I, Rashedul Islam M, Chakra Bortty J, Kumar Bishnu K, Islam A, et al. Evaluation of Feature Transformation and Machine Learning Models on Early Detection of Diabetes Mellitus. IEEE Access. 2024;12(October):165425–40.

Atwany MZ, Sahyoun AH, Yaqub M. Deep Learning Techniques for Diabetic Retinopathy Classification: A Survey. IEEE Access. 2022;10:28642–55.

Cahyono Y, Rosyani P, Syah FS, Putri FS, Ashari I, Sofian K. Liver Disease Classification Using Decision Tree and Random Forest Algorithms. Int J Integr Sci. 2025;4(1):135–40.

Dewi, C., & Utami, E. (2019). Sistem Pendukung Keputusan untuk Diagnosa Awal Diabetes Menggunakan Logistic Regression. Jurnal Ilmiah Komputer dan Informatika (KOMPUTA), 1(1), 1-8. DOI: 10.35134/komputa.v1i1.12

Fadli, A., et al. (2020). Deteksi Dini Diabetes Berbasis Machine Learning: Studi Kasus Dataset Pima Indian. Jurnal Teknologi dan Sistem Komputer, 8(2), 112-119. DOI: 10.14710/jtsiskom.8.2.2020.112-119

Hakim, L., & Sari, I. P. (2019). Penerapan Algoritma C4.5 untuk Prediksi Penyakit Diabetes. Jurnal Sains dan Informatika, 5(2), 148-156. DOI: 10.22216/jsi.v5i2.4293

Jia L, Wang Z, Lv S, Xu Z. PE_DIM: An Efficient Probabilistic Ensemble Classification Algorithm for Diabetes Handling Class Imbalance Missing Values. IEEE Access. 2022;10(September):107459–76.

Kementerian Kesehatan RI. (2018). Laporan Nasional Riskesdas 2018. Lembaga Penerbit Badan Penelitian dan Pengembangan Kesehatan (LPB). DOI: 10.13140/RG.2.2.36444.95361

Khan FA, Zeb K, Al-Rakhami M, Derhab A, Bukhari SAC. Detection and Prediction of Diabetes Using Data Mining: A Comprehensive Review. IEEE Access. 2021;9:43711–35.

Kurniastuti I, Andini A, Dwisapta MR. Implementation of Neural Network for Classification of Diabetes Mellitus through Finger Nail Image. Procedia Comput Sci [Internet]. 2024;234(2023):1625–32. Available from: https://doi.org/10. 1016/j.procs.2024.03.166

Kurniawan, H., & Arof, H. (2019). Pengaruh Pra-Pemrosesan Data terhadap Kinerja Algoritma Klasifikasi pada Dataset Medis. Jurnal Teknologi Informasi dan Komunikasi, 10(1), 1-10. DOI: 10.30646/tik-sin.v10i1.386

Lara-Abelenda FJ, Chushig-Muzo D, Acosta CB, Wägner AM, Granja C, Soguero-Ruiz C. Evaluating Time Series Classification Models for Nocturnal Hypoglycemia: From Predictive Performance to Environmental Impact. IEEE Access. 2025;13(September):150756–71.

Liu T, Ren Z, Xiong C, Peng W, Wu J, Huang S, et al. Optoacoustic classification of diabetes mellitus with the synthetic impacts via optimized neural networks. Heliyon [Internet]. 2023;9(10):e20796. Available from: https://doi.org/10.1016/j. heliyon.2023.e20796

Maulana, R., & Hikmah, N. (2021). Pemanfaatan Internet of Things (IoT) dan Machine Learning untuk Monitoring Faktor Risiko Diabetes Secara Real-Time. Jurnal Teknologi Kesehatan, 17(2), 112-122. DOI: 10.1331/jukesh.v17i2.21035

Mulyono, S., & Fanani, L. (2022). Prediksi Diabetes Melitus Menggunakan Deep Learning dengan Arsitektur Jaringan Saraf Tiruan. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 9(2), 345-354. DOI: 10.25126/jtiik.2022924567

Nurfadilah, S., & Suryana, I. (2022). Interpretasi Model Prediksi Diabetes Menggunakan SHAP (SHapley Additive exPlanations). Jurnal Edukasi dan Penelitian Informatika (JEPIN), 8(1), 89-96. DOI: 10.26418/jp.v8i1.50523

Otero Sanchez L, Zhan CY, Gomes da Silveira Cauduro C, Crenier L, Njimi H, Englebert G, et al. A machine learning-based classification of adult-onset diabetes identifies patients at risk of liver-related complications. JHEP Reports [Internet]. 2023;5(8):100791. Available from: https://doi.org/10.1016/j. jhepr.2023.100791

Pangestu, A. A., & Zulianto, M. (2022). Analisis Kinerja Metode K-Nearest Neighbor (K-NN) dengan Normalisasi Data untuk Prediksi Penyakit Diabetes. Jurnal Teknologi dan Manajemen Informatika, 8(1), 23-30. DOI: 10.26905/jtmi.v8i1.7456

Perkumpulan Endokrinologi Indonesia (PERKENI). (2021). Pedoman Pengelolaan dan Pencegahan Diabetes Melitus Tipe 2 di Indonesia 2021. PB PERKENI. (Meski seringkali tanpa DOI, pedoman ini adalah rujukan klinis utama di Indonesia. Dapat diakses langsung dari website PERKENI).

Pratama, I. P. A. E., et al. (2022). Optimasi Random Forest untuk Prediksi Diabetes dengan Seleksi Fitur dan Tuning Hyperparameter. Jurnal Media Informatika Budidarma, 6(1), 405-414. DOI: 10.30865/mib.v6i1.3615

Rahayu, P., & Setiawan, E. B. (2021). Optimasi Prediksi Diabetes dengan Metode Ensemble Learning: Voting Classifier. Jurnal Siger Matematika, 2(2), 77-85. DOI: 10.23960/jsm.v2i2.78

Raj S, Raj S, Namdeo V, Srivastava A. Decoding the gene-disease associations in type 2 diabetes: A curated dataset for text mining-based classification. Data Br. 2024;54.

Reza MS, Amin R, Yasmin R, Kulsum W, Ruhi S. Improving diabetes disease patients classification using stacking ensemble method with PIMA and local healthcare data. Heliyon [Internet]. 2024;10(2):e24536. Available from: https://doi.org/10.1016/ j.heliyon.2024.e24536

Rizki, A., et al. (2021). Implementasi Metode SMOTE dan Random Forest untuk Klasifikasi Data Tidak Seimbang pada Deteksi Dini Diabetes. Building of Informatics, Technology and Science (BITS), 3(3), 240-247. DOI: 10.47065/bits.v3i3.1234

Saputra, D. A., & Priyanta, S. (2021). Tantangan dan Strategi Implementasi Artificial Intelligence dalam Sistem Layanan Kesehatan di Indonesia. Jurnal Sistem Informasi dan Telematika, 12(2), 123-134. DOI: 10.35194/jsi.v12i2.1456

Saputra, R., & Hidayat, R. (2021). Komparasi Algoritma Klasifikasi untuk Prediksi Penyakit Diabetes. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 8(4), 831-838. DOI: 10.25126/jtiik.2021843151

Sari, Y. W., & Fauzi, M. A. (2020). Prediksi Diabetes Menggunakan Algoritma Naive Bayes dan Support Vector Machine. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 4(3), 556-563. DOI: 10.29207/resti.v4i3.1931

Sinsirimongkhon M, Arwatchananukul S, Temdee P. Multi-Class Classification Method with Feature Engineering for Predicting Hypertension with Diabetes. J Mob Multimed. 2023;19(3):799–822.

Siregar, B. G. T., & Andreswari, R. (2020). Perbandingan Metode Seleksi Fitur Filter, Wrapper, dan Embedded pada Klasifikasi Data Medis. Jurnal Media Informatika Budidarma, 4(4), 1024-1033. DOI: 10.30865/mib.v4i4.2356

Wanto, A., et al. (2020). Analysis of the PIMA Indians Diabetes Dataset using Data Mining Methods with RapidMiner Tools. Jurnal Teknik Informatika (Jutif), 1(1), 13-22. DOI: 10.20884/1.jutif.2020.1.1.11

Wei J, Xu Y, Wang H, Niu T, Jiang Y, Shen Y, et al. Metadata information and fundus image fusion neural network for hyperuricemia classification in diabetes. Comput Methods Programs Biomed. 2024;256(July):1–12.

Wibowo, E. S., & Sari, Y. (2020). Aspek Etika dan Regulasi Kecerdasan Buatan (AI) dalam Diagnosis Medis: Tinjauan Pustaka Sistematis. Jurnal Hukum Kesehatan Indonesia, 2(1), 45-60. DOI: 10.15294/jhki.v2i1.45678

Zhang Y, Chen L, Ouyang Y, Wang X, Fu T, Yan G, et al. A new classification method for gestational diabetes mellitus: a study on the relationship between abnormal blood glucose values at different time points in oral glucose tolerance test and adverse maternal and neonatal outcomes in pregnant women with gestational diabetes mellitus. AJOG Glob Reports [Internet]. 2024;4(4):100390. Available from: https://doi.org/10.1016/j.xagr.2024.100390

Zhou H, Rahman S, Angelova M, Bruce CR, Karmakar C. A robust and generalized framework in diabetes classification a heterogeneous environments. Comput Biol Med [Internet]. 2025;186(January):109720. Available from: https://doi.org/ 10.1016/j.compbiomed.2025.109720

PREDIKSI DINI DIABETES BERBASIS MACHINE LEARNING Studi Perbandingan dan Evaluasi Kinerja

Unduhan

GOOGLE PLAYBOOK
PREVIEW

Diterbitkan

20 April 2026
Hak Cipta (c) 2026 Muhammad Rosdiana (Author)

Lisensi

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Detail format terbitan yang tersedia: PREVIEW

PREVIEW

ISBN-13 (15)

978-634-278-315-3

Dimensi Fisik

Cara Mengutip

PREDIKSI DINI DIABETES BERBASIS MACHINE LEARNING: Studi Perbandingan dan Evaluasi Kinerja. (2026). PENERBIT KARYA BAKTI MAKMUR (KBM) INDONESIA. https://librarypenerbitkbm.science/index.php/buku/catalog/book/1228