Systematic Literature Review Perbandingan Algoritma Tree-Based dan Boosting dalam Klasifikasi Diabetes Mellitus

Alidin M; Soni Soni

doi:10.31004/riggs.v5i2.12934

Authors

Alidin M Universitas Muhammadiyah Riau
Soni Soni Universitas Muhammadiyah Riau

DOI:

https://doi.org/10.31004/riggs.v5i2.12934

Keywords:

Diabetes Melitus, Pembelajaran Mesin, Berbasis Pohon, Boosting, Explainable AI

Abstract

Diabetes Mellitus (DM) merupakan penyakit metabolik kronis dengan prevalensi global yang terus meningkat, sehingga deteksi dini menjadi penting untuk mencegah komplikasi. Penelitian ini menyajikan Systematic Literature Review (SLR) yang membandingkan kinerja algoritma Tree-Based dan Boosting dalam klasifikasi Diabetes Mellitus. Sebanyak 51 artikel yang diterbitkan pada rentang tahun 2020-2025 dipilih melalui proses pencarian basis data, kriteria inklusi-eksklusi, dan quality assessment. Algoritma Tree-Based yang ditinjau meliputi Decision Tree, Random Forest, dan Extra Trees, sedangkan algoritma Boosting meliputi XGBoost, LightGBM, Gradient Boosting, AdaBoost, dan CatBoost. Karena studi yang dianalisis menggunakan dataset, preprocessing, skema validasi, dan metrik yang berbeda, sintesis dilakukan secara deskriptif dan bukan sebagai meta-analisis. Hasil review menunjukkan bahwa Random Forest lebih sering melaporkan performa tinggi dan stabil, sedangkan XGBoost serta algoritma Boosting lainnya tetap kompetitif, terutama ketika dikombinasikan dengan preprocessing, resampling, dan hyperparameter tuning. Teknik resampling seperti SMOTE-ENN umumnya membantu meningkatkan performa pada dataset tidak seimbang. Penggunaan Explainable Artificial Intelligence (XAI), khususnya SHAP, mendukung interpretabilitas model dengan mengidentifikasi fitur klinis penting seperti glukosa, BMI, usia, dan tekanan darah. Review ini memberikan sintesis yang lebih hati-hati sebagai dasar pemilihan algoritma dan strategi preprocessing pada sistem prediksi diabetes.

Downloads

Download data is not yet available.

References

1. 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. https://doi.org/10.57152/malcom.v4i3.1284

2. Alfath, A. S., Wardhana, A. K., & Rumini. (2025). Hypertension Risk Prediction Using Stacking Ensemble of CatBoost, XGBoost, and LightGBM: A Machine Learning Approach. Journal of Applied Informatics and Computing (JAIC), 9(6), 3146. http://jurnal.polibatam.ac.id/index.php/JAIC

3. Amri, Z., Muhammad Rodi, M. Nurul Wathani, Amir Bagja, & Zulkipli. (2025). Prediksi Diabetes Menggunakan Algoritma K-Nearest (KNN) Teknik SMOTE-ENN. Infotek: Jurnal Informatika Dan Teknologi, 8(1), 193–204. https://doi.org/10.29408/jit.v8i1.27975

4. Anggreini, N. L., Yuliana, A., Ramdan, D. S., & Al-Dayyeni, W. (2025). Improving Diabetes Prediction Performance Using Random Forest Classifier with Hyperparameter Tuning. Jurnal Teknik Informatika (Jutif), 6(4), 1847–1860. https://doi.org/10.52436/1.jutif.2025.6.4.4755

5. Aprilia, A., Lo, P., Jennifer, V., & Tjioe, E. (2024). Penerapan Model CRISP-DM untuk Prediksi Penyakit Diabetes Menggunakan Metode K-Nearest Neighbor dan Logistic regression. JURNAL SISTEM INFORMASI BISNIS, 4, 48–57.

6. Apriliah, W., Kurniawan, I., Baydhowi, M., & Haryati, T. (2021). SISTEMASI: Jurnal Sistem Informasi Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest. Jurnal Sistem Informasi, 10(1), 2540–9719. http://sistemasi.ftik.unisi.ac.id

7. Ardianto, M. R., & Rushendra, R. (2025). PREDIKSI PENYAKIT DIABETES BERDASARKAN PERBANDINGAN KLASIFIKASI METODE K-NEAREST NEIGHBOR, NAÏVE BAYES, DAN DECISION TREE MENGGUNAKAN RAPID MINER. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 10(2), 973–985. https://doi.org/10.29100/jipi.v10i2.6079

8. Astofa, A., Rosyani, P., & Apandi, S. (2025). BULLETIN OF COMPUTER SCIENCE RESEARCH Evaluasi Komparatif Algoritma Machine Learning untuk Prediksi Dini Diabetes. BULLETIN OF COMPUTER SCIENCE RESEARCH, 6(1), 558–565. https://doi.org/10.47065/bulletincsr.v6i1.859

9. Bimawan, Z. I., Astuti, T., & Arsi, P. (2024). COMPARISON OF RANDOM FOREST, K-NEAREST NEIGHBOR, DECISION TREE, AND XGBOOST ALGORITHMS FOR DETECTING STUNTING IN TODDLERS. Jurnal Teknik Informatika (Jutif), 5(6), 1599–1607. https://doi.org/10.52436/1.jutif.2024.5.6.2629

10. Devarakonda, M., Bavisetti, N., S Veeresh, D. S., Kate, C., & Hyils Sharon Magdalene, A. (2025). A Comparative Study of Hyperparameter Tuning Methods for Diabetes Prediction using Extra Trees Classifier. Grenze International Journal of Engineering and Technology, 11(6), 6930–6939.

11. Dinanthi, D. A., Ramadanti, E., Sri, C., Aditya, K., & Chandranegara, D. R. (2024). Diabetes Detection Using Extreme Gradient Boosting (XGBoost) with Hyperparameter Tuning. Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics, 6(2), 78–84. https://doi.org/10.35882/ijeeemi.v6i2.351

12. Febrian, M. G., Ferdiansyah, R., Nugraha, E. A., Satriatama, D., & Kusumastuti, R. (2024). PREDIKSI RISIKO DIABETES MENGGUNAKAN ALGORITMA DECISION TREE DENGAN APLIKASI RAPID MINER. Amikom Surakarta, 23(8), 14–24.

13. Ganie, S. M., Pramanik, P. K. D., Bashir Malik, M., Mallik, S., & Qin, H. (2023). An ensemble learning approach for diabetes prediction using boosting techniques. Frontiers in Genetics, 14(10), 1–15. https://doi.org/10.3389/fgene.2023.1252159

14. Ghosh, P., Azam, S., Karim, A., Hassan, M., Roy, K., & Jonkman, M. (2021). A comparative study of different machine learning tools in detecting diabetes. Procedia Computer Science, 192(1), 467–477. https://doi.org/10.1016/j.procs.2021.08.048

15. Goswami, G., & Saxena, M. (2021). Analysis and High Accuracy Prediction of Diabetes using Gradient Boosting Algorithm. Print) International Journal of Research and Technology, 9(4), 2321–7510. www.ijrt.org

16. Ibrahim, M. C., Fachruddin, & Nurhadi. (2025). MALCOM: Indonesian Journal of Machine Learning and Computer Science Comparison of Diabetes Prediction Data Using Machine Learning Perbandingan Data Prediksi Diabetes Menggunakan Machine Learning. MALCOM, 5(4), 1423–1436. https://doi.org/10.57152/malcom.v5i4.2301

17. Jawza, D. N., Mazdadi, M. I., Farmadi, A., Saragih, T. H., Kartini, D., & Abdullayev, V. (2025). Enhancing Diabetes Prediction Accuracy Using Random Forest and XGBoost with PSO and GA-Based Feature Selection. Journal of Electronics, Electromedical Engineering, and Medical Informatics, 7(2), 295–306. https://doi.org/10.35882/jeeemi.v7i2.626

18. Laila, U. e., Mahboob, K., Khan, A. W., Khan, F., & Taekeun, W. (2022). An Ensemble Approach to Predict Early-Stage Diabetes Risk Using Machine Learning: An Empirical Study. Sensors, 22(14), 2–15. https://doi.org/10.3390/s22145247

19. Li, W., Peng, Y., & Peng, K. (2024). Diabetes prediction model based on GA-XGBoost and stacking ensemble algorithm. PLoS ONE, 19(9 September), 1–29. https://doi.org/10.1371/journal.pone.0311222

20. Majid, N. K., Supriyanto, C., & Marjuni, A. (2025). Peningkatan Keberagaman Data untuk Klasifikasi Penyakit Diabetes Berbasis Stacking Ensemble Learning. Jurnal Informatika: Jurnal Pengembangan IT, 10(1), 1–10. https://doi.org/10.30591/jpit.v10i1.7375

21. Marwati, F., & Fauzi, R. (2024). Prediksi Penyakit Diabetes Melitus Menggunakan Jaringan Syaraf Tiruan dengan Metode Backpropagation. Jurnal Informatika Utama, 2(1), 26–34. https://doi.org/10.55903/jitu.v2i1.163

22. Maulana, M. N., Muljono, M., & Meindiawan, E. P. A. (2025). Comparative Analysis of Homogeneous and Heterogeneous Ensembles for Diabetes Classification Optimization. Sinkron, 9(1), 512–521. https://doi.org/10.33395/sinkron.v9i1.14439

23. Maulana, M. R., & Wibisono, S. (2026). STUDI KOMPARATIF ALGORITMA RANDOM FOREST, GRADIENT BOOSTING, DAN LIGHTGBM PADA KLASIFIKASI RISIKO DIABETES MELITUS. Jurnal Mahasiswa Teknik Informatika, 10(2), 2116–2122.

24. Mohammed, N., & Hama Saeed, M. (2025). An Efficient Categorization of Diabetes Imbalanced Data Using SMOTE-ENN With Fine-Tuned LS-SVM Algorithm. Iraqi Journal for Computers and Informatics, 51(1), 119–129. https://doi.org/10.25195/ijci.v51i1.579

25. Nainggolan, S. P., & Sinaga, A. (2023). COMPARATIVE ANALYSIS OF ACCURACY OF RANDOM FOREST AND GRADIENT BOOSTING CLASSIFIER ALGORITHM FOR DIABETES CLASSIFICATION. Sebatik, 27(1), 97–102. https://doi.org/10.46984/sebatik.v27i1.2157

26. Nurul Puteri, A., & Sumardin, A. (2024). Comparison of Random Forest and XGBoost for Diabetes Classification with SHAP and LIME Interpretation. Jurnal Teknologi Rekayasa), 9(2), 121–130. https://doi.org/10.31544/jtera.v9.i1.2024.121-130

27. Nusa, R. B., & Indahsari, R. D. (2025). Komparasi Kinerja Algoritma XGBoost dengan Reduksi Dimensi PCA pada Klasifikasi Diabetes. JUSIFOR : Jurnal Sistem Informasi Dan Informatika, 4(2), 320–329. https://doi.org/10.70609/jusifor.v4i2.8563

28. Ogurtsova, K., da Rocha Fernandes, J. D., Huang, Y., Linnenkamp, U., Guariguata, L., Cho, N. H., Cavan, D., Shaw, J. E., & Makaroff, L. E. (2017). IDF Diabetes Atlas: Global estimates for the prevalence of diabetes for 2015 and 2040. Diabetes Research and Clinical Practice, 128, 40–50. https://doi.org/10.1016/j.diabres.2017.03.024

29. Oktaviana, A., Wijaya, D. P., Pramuntadi, A., & Heksaputra, D. (2024). Prediksi Penyakit Diabetes Melitus Tipe 2 Menggunakan Algoritma K-Nearest Neighbor (K-NN). MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(3), 812–818. https://doi.org/10.57152/malcom.v4i3.1268

30. Permana, B. A. C., & Patwari, I. K. D. (2021). Komparasi Metode Klasifikasi Data Mining Decision Tree dan NaÃ¯ve Bayes Untuk Prediksi Penyakit Diabetes. Infotek: Jurnal Informatika Dan Teknologi, 4(1), 63–69. https://doi.org/10.29408/jit.v4i1.2994

31. Pramudyantoro, A., Utami, E., & Ariatmanto, D. (2024a). PENGGABUNGAN K-NEAREST NEIGHBORS DAN LIGHTGBM UNTUK PREDIKSI DIABETES PADA DATASET PIMA INDIANS: MENGGUNAKAN PENDEKATAN EXPLORATORY DATA ANALYSIS. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 9(3), 1133–1144. https://doi.org/10.29100/jipi.v9i3.4966

32. Pramudyantoro, A., Utami, E., & Ariatmanto, D. (2024b). PENGGABUNGAN K-NEAREST NEIGHBORS DAN LIGHTGBM UNTUK PREDIKSI DIABETES PADA DATASET PIMA INDIANS: MENGGUNAKAN PENDEKATAN EXPLORATORY DATA ANALYSIS. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 9(3), 1133–1144. https://doi.org/10.29100/jipi.v9i3.4966

33. Pranto, B., Mehnaz, M., Momen Sifat, & Syed Maruful Huq. (2020). Prediction of diabetes using cost sensitive learning and oversampling techniques on Bangladeshi and Indian female patients. 8(10).

34. Rafi, R. R., Athallah, Cholissodin, I., & Adikara, P. P. (2022). Prediksi Potensi Pengidap Penyakit Diabetes berdasarkan Faktor Risiko Menggunakan Algoritme Kernel K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 6(8), 3777–3785. http://j-ptiik.ub.ac.id

35. Rafie, Z., Talab, M. S., Koor, B. E. Z., Garavand, A., Salehnasab, C., & Ghaderzadeh, M. (2025). Leveraging XGBoost and explainable AI for accurate prediction of type 2 diabetes. BMC Public Health, 25(1), 2–17. https://doi.org/10.1186/s12889-025-24953-w

36. Rahayu, C. A., Hartono, R., & Sudiarjo, A. (2023). PREDIKSI PENDERITA DIABETES MENGGUNAKAN METODE NAIVE BAYES. Jurnal Informatika Dan Teknik Elektro Terapan, 11(3), 261–266. https://doi.org/10.23960/jitet.v11i3.3055

37. Rahmansyah, N., Armonitha Lusinia, S., Raya Lubuk Begalung, J., & Barat, S. (2024). Analisa Prediksi Penyakit Diabetes Menggunakan Metode Naive Bayes dan K-NN Teknik informatika, Universitas Putra Indonesia YPTK. Journal Of Social Science Research, 5(1), 5311–5323.

38. Ramadanti, E., Dinathi, D. A., Sri, C., Aditya, K., & Chandranegara, R. (2024). Diabetes Disease Detection Classification Using Light Gradient Boosting (LightGBM) With Hyperparameter Tuning. Jurnal Dan Penelitian Teknik Informatika, 8(2), 956–963. https://doi.org/10.33395/v8i2.13530

39. Rufo, D. D., Debelee, T. G., Ibenthal, A., & Negera, W. G. (2021). Diagnosis of Diabetes Mellitus Using Gradient Boosting Machine (LightGBM). Diagnostics, 11(9), 2–14. https://doi.org/10.3390/diagnostics11091714

40. Safitri, E., Rofianto, D., Purwati, N., Kurniawan, H., & Karnila, S. (2024). Prediksi Penyakit Diabetes Melitus Menggunakan Algoritma Machine Learning. Jurnal Sistem Dan Teknologi Informasi, 12(4), 760–766. https://doi.org/10.26418/justin.v12i4.84620

41. Sai, M. J., Chettri, P., Panigrahi, R., Garg, A., Bhoi, A. K., & Barsocchi, P. (2023). An Ensemble of Light Gradient Boosting Machine and Adaptive Boosting for Prediction of Type-2 Diabetes. International Journal of Computational Intelligence Systems, 16(1), 14–20. https://doi.org/10.1007/s44196-023-00184-y

42. Saputra, D. C., Gabriel Carol Aldosion, Nurhidayat, S. S., Sukrinah, & Herdyawan, T. T. (2025). Implementasi Algoritma K-Nearest Neighbor (Knn) Menggunakan Rapid Miner Untuk Prediksi Penyakit Diabetes Berdasarkan Dataset Pima Indian. Journal of Information Technology and Informatics Engineering, (1), 36–40.

43. Sari, N. C., & Linda Larasati, T. (2024). Komparasi Algoritma NaÃ¯ve Bayes dan Gradient Boosting untuk Prediksi Pasien Diabetes. Jurnal Nasional Teknologi Dan Sistem Informasi, 10(2), 118–125. https://doi.org/10.25077/teknosi.v10i2.2024.118-125

44. Setyawan, N. H., & Nur, W. (2025). ANALISIS PERBANDINGAN METODE LOGISTIC REGRESSION, RANDOM FOREST, GRADIENT BOOSTING UNTUK PREDIKSI DIABETES. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 10(1), 150–162. https://doi.org/10.29100/jipi.v10i1.5743

45. Sholeh, M., Andayati, D., & Yuliana Rachmawati, R. (2022). DATA MINING MODEL KLASIFIKASI MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR DENGAN NORMALISASI UNTUK PREDIKSI PENYAKIT DIABETES. Jurnal TeIKa, 12(2), 77–87.

46. Sidiq, S., Alfian, & Mabrur, N. S. (2025). Pengembangan Model Prediksi Risiko Diabetes Menggunakan Pendekatan AdaBoost dan Teknik Oversampling SMOTE. Jurnal Ilmiah Informatika Dan Ilmu Komputer (Jima-Ilkom), 4(1), 13–23. https://doi.org/10.58602/jima-ilkom.v4i1.41

47. Sriyanto, & Supriyatna, A. R. (2021). Teknika 17 (1): 163-172 Prediksi Penyakit Diabetes Menggunakan Algoritma Random Forest. IJCCS, 1(17), 163–172.

48. Surono, M., Fadli, M., Purwanti, D. S., & Susanto, E. R. (2025). Hybrid XGBoost-SVM Model untuk Sistem Pendukung Keputusan dalam Prediksi Penyakit Diabetes. INSOLOGI: Jurnal Sains Dan Teknologi, 4(3), 443–454. https://doi.org/10.55123/insologi.v4i3.5410

49. Syahri, A., Fariha, U., Afandi, R., & Nurliyana, I. (2024). Comparison of Logistic Regression, Random Forest and Adaboost Algorithms for Diabetes Mellitus Classification. IJATIS: Indonesian Journal of Applied Technology and Innovation Science, 1(1), 41–46. https://doi.org/10.57152/ijatis.v1i1.1116

50. Vakil, V., Pachchigar, S., Chavda, C., & Soni, S. (2023). Explainable predictions of different machine learning algorithms used to predict Early Stage diabetes. 7(3), 435–445.

51. Wafa, H. S., Hadiana, A. I., & Umbara, F. R. (2022). Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM). INFORMATICS AND DIGITAL EXPERT (INDEX), 4(1), 40–45. https://e-journal.unper.ac.id/index.php/informatics

52. who_global_report_on_diabetes__a_summary.2 (1). (n.d.).

53. Xie, P., & Xu, J. (2024). Prediction of diabetes mellitus using XGBoost model. Applied and Computational Engineering, 67(1), 131–141. https://doi.org/10.54254/2755-2721/67/20240646