Implementasi dan Optimasi Hyperparameter pada Model Machine learning untuk Prediksi Diabetes dengan Integrasi Aplikasi Telemedicine
DOI:
https://doi.org/10.26418/jp.v11i2.94600Keywords:
Machine learning, Deteksi Dini Diabetes, Telemedicine, Optimasi Hyperparameter, Support Vector Machine (SVM)Abstract
Deteksi dini diabetes merupakan langkah krusial dalam mencegah komplikasi jangka panjang yang dapat membahayakan kesehatan pasien. Melalui penelitian ini, dirancang dan diuji sebuah sistem prediksi risiko diabetes yang memanfaatkan algoritma machine learning untuk membantu deteksi dini serta mengurangi risiko kesehatan jangka panjang yang terintegrasi dalam aplikasi telemedicine. Dalam konteks ini, machine learning dimanfaatkan untuk melakukan klasifikasi terhadap status diabetes pasien berdasarkan parameter klinis. Empat algoritma digunakan dalam studi ini, yaitu K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Logistic Regression, dan Decision Tree. Keempat algoritma ini dipilih karena mewakili pendekatan klasifikasi yang berbeda, memiliki rekam jejak yang baik dalam penelitian medis, serta dapat dioptimasi untuk meningkatkan akurasi prediksi. Proses optimasi hyperparameter mencakup n_neighbors dan weights pada KNN; C, kernel, dan gamma pada SVM; C dan penalty pada Logistic Regression; serta max_depth dan min_samples_leaf pada Decision Tree untuk memaksimalkan kinerja masing-masing model. Dataset yang digunakan berasal dari RSD Balung Jember dengan total 1.450 data pasien dan 12 fitur medis. Hasil evaluasi menunjukkan bahwa model SVM dan Decision Tree memberikan performa terbaik, dengan akurasi masing-masing mencapai 98,97% dan 99,66%, serta nilai F1-score hingga 1,00. Sementara itu, metrik precision dan recall juga menunjukkan hasil yang tinggi, menandakan keandalan model dalam mengklasifikasikan kondisi diabetes secara tepat. Sistem prediksi yang dibangun kemudian diintegrasikan ke dalam platform telemedicine berbasis web menggunakan framework Laravel. Evaluasi integrasi menunjukkan bahwa model mampu memberikan hasil prediksi secara real-time dengan waktu respons rata-rata 0,86 detik dan akurasi tetap konsisten di atas 98% setelah diimplementasikan dalam aplikasi. Hal ini menunjukkan bahwa pendekatan berbasis machine learning dengan dukungan optimasi parameter berhasil menghasilkan sistem deteksi dini diabetes yang akurat, efisien, dan dapat diterapkan secara praktis dalam skenario layanan kesehatan digital di Indonesia.References
H. Dudi, "TELAAH KOMPREHENSIF DIABETES MELITUS: KLASIFIKASI, GEJALA, DIAGNOSIS, PENCEGAHAN, DAN PENGOBATAN," Jurnal Bioteknologi dan Biosains Indonesia, vol. 7, no. 2, pp. 304-317, 01/28 2021, doi: 10.29122/jbbi.v7i2.4209.
H. Sun et al., "IDF Diabetes Atlas: Global, regional and country-level diabetes prevalence estimates for 2021 and projections for 2045," Diabetes Research and Clinical Practice, vol. 183, 2022/1// 2022, doi: 10.1016/j.diabres.2021.109119.
J. Patel, C. Trivedi, K. Darji, R. Gupta, and S. Tanwar, "GlucTeleAI: ML-assisted Preliminary Diabetes Assessment Framework for Telemedicine Systems," in 2024 4th International Conference on Intelligent Technologies (CONIT), 21-23 June 2024 2024, pp. 1-6, doi: 10.1109/CONIT61985.2024.10626025.
R. Marzouk, A. S. Alluhaidan, and S. A. El_Rahman, "An Analytical Predictive Models and Secure Web-Based Personalized Diabetes Monitoring System," IEEE Access, vol. 10, pp. 105657-105673, 2022, doi: 10.1109/ACCESS.2022.3211264.
U. Ahmed et al., "Prediction of Diabetes Empowered With Fused Machine learning," IEEE Access, vol. 10, pp. 8529-8538, 2022, doi: 10.1109/ACCESS.2022.3142097.
S. A. Shampa, M. S. Islam, and A. Nesa, "Machine learning-based Diabetes Prediction: A Cross-Country Perspective," in 2023 International Conference on Next-Generation Computing, IoT and Machine learning (NCIM), 16-17 June 2023 2023, pp. 1-6, doi: 10.1109/NCIM59001.2023.10212596.
N. Fazakis, O. Kocsis, E. Dritsas, S. Alexiou, N. Fakotakis, and K. Moustakas, "Machine learning Tools for Long-Term Type 2 Diabetes Risk Prediction," IEEE Access, vol. 9, pp. 103737-103757, 2021, doi: 10.1109/ACCESS.2021.3098691.
A. H. Syed and T. Khan, "Machine learning-Based Application for Predicting Risk of Type 2 Diabetes Mellitus (T2DM) in Saudi Arabia: A Retrospective Cross-Sectional Study," IEEE Access, vol. 8, pp. 199539-199561, 2020, doi: 10.1109/ACCESS.2020.3035026.
J. Khatib Sulaiman Dalam No, J. Askandar Mosa, and A. Mohsin Abdulazeez, "A Review on Diabetes Classification Based on Machine learning Algorithms," Indonesian Journal of Computer Science Attribution, vol. 13, no. 2, pp. 2024-2445.
B. Mahesh, "Machine learning algorithms-a review," International Journal of Science and Research (IJSR).[Internet], vol. 9, no. 1, pp. 381-386, 2020.
Y. Boer, L. Valencia, M. R. Setiadi, K. E. Setiawan, and M. F. Hasani, "Classification of Heart Disease: Comparative Analysis using KNN, Random Forest, Gaussian Naive Bayes, XGBoost, SVM, Decision Tree, and Logistic Regression," in 2023 5th International Conference on Cybernetics and Intelligent System (ICORIS), 6-7 Oct. 2023 2023, pp. 1-5, doi: 10.1109/ICORIS60118.2023.10352195.
A. Morales-Hernández, I. Nieuwenhuyse, and S. Rojas Gonzalez, A survey on multi-objective hyperparameter optimization algorithms for Machine learning. 2021.
E. V. K. Rao, N. Pamula, S. Battula, and M. Guntaka, "Web-Interfaced Diagnosis System of Diabetes Prediction Using Machine learning Algorithms," in 2024 International Conference on Smart Systems for applications in Electrical Sciences (ICSSES), 3-4 May 2024 2024, pp. 1-6, doi: 10.1109/ICSSES62373.2024.10561359.
P. Hu et al., "Prediction of New-Onset Diabetes After Pancreatectomy With Subspace Clustering Based Multi-View Feature Selection," IEEE Journal of Biomedical and Health Informatics, vol. 27, no. 3, pp. 1588-1599, 2023, doi: 10.1109/JBHI.2022.3233402.
R. Abdurrosyid, A. Teguh, and W. Almais, "JEPIN (Jurnal Edukasi dan Penelitian Informatika) Deteksi Dini Diabetes menggunakan Machine learning dengan Metode PCA dan XGBoost," 2025.
