Implementasi light gradient boosting machine untuk klasifikasi penyakit diabetes melitus dengan deteksi outlier robust random cut forest

Diabetes melitus merupakan salah satu penyakit tidak menular dengan kondisi kadar gula darah tinggi Tingginya kasus diabetes melitus menjadikan Indonesia sebagai negara dengan jumlah penyandang diabetes melitus terbanyak kelima di dunia. Deteksi dini sangat dianjurkan dalam pencegahan komplikasi dan peningkatan jumlah penderita Diabetes melitus. Pencegahan ini dapat diatasi dengan machine learning. Penelitian ini bertujuan untuk mengevaluasi efektivitas model LightGBM dalam mengklasifikasikan penyakit Diabetes Melitus. Metode yang digunkan pada penelitian ini yaitu metode klasifikasi LightGBM. Pembagian data menggunkan K-Fold Cross Validation dengan K=5. Adapun optimasi deteksi outlier menggunakan Robust Random Cut Forest dengan penanganan outlier 5%. Uji coba parameter LightGBM seperti learning rate 0.075, 0.05, dan 0.1 num leaves 2, 4, 6, 8, 10, 12, 14, 16 dan min data in leaf 10, 20, 40, 80 diterapkan pada penelitian ini untuk mendapatkan hasil yang optimal. Hasil penelitian menunjukkan bahwa model LightGBM dengan parameter terbaik yang diperoleh melalui uji coba parameter mampu memberikan kinerja klasifikasi yang baik pada data diabetes melitus. Berdasarkan pengujian menggunakan K-Fold Cross Validation, model menghasilkan nilai akurasi sebesar 85.36%, sensitivitas sebesar 79.03% dan spesifitas sebesar 85.77%. Penerapan metode SMOTE berhasil menyeimbangkan distribusi kelas sehingga model dapat mengenali data pasien diabetes melitus dengan lebih optimal dan mengurangi bias terhadap kelas mayoritas. Dengan demikian, metode LightGBM terbukti efektif dalam mengklasifikasikan diabetes melitus dan berpotensi digunakan sebagai pendukung deteksi dini untuk membantu pengambilan keputusan di bidang kesehatan.