Klasifikasi Risiko Penyakit Metabolik dengan model Ensemble, Decision Tree Dan Logistic Regression Pada Posbindu Universitas Gadjah Mada
DOI:
https://doi.org/10.30865/jurikom.v13i4.9958Keywords:
Posbindu, Penyakit Metabolic, Klasifikasi Risiko, Hybrid Model, Decision Tree, Logistic Regression, Health Promoting UniversityAbstract
Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model ensemble berbasis stacking yang mengombinasikan algoritma Decision Tree sebagai base learner dan Logistic Regression sebagai meta-learner dalam klasifikasi risiko penyakit metabolik menggunakan data Posbindu UGM. Dataset mencakup parameter kesehatan utama, antara lain tekanan darah, kadar gula darah, kolesterol, lingkar perut, dan indeks massa tubuh. Metodologi penelitian meliputi tahap pra-pemrosesan data, pembentukan label risiko berdasarkan interpretasi medis, pengembangan model klasifikasi, serta evaluasi performa menggunakan metrik accuracy, precision, recall, dan F1-score dengan pendekatan Stratified K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa model ensemble (Decision Tree + Logistic Regression) mampu mengklasifikasikan risiko penyakit metabolik secara stabil dan konsisten, dengan akurasi sebesar 94,87% dan F1-score sebesar 0,9187, serta kinerja yang sebanding atau lebih baik dibandingkan model tunggal. Analisis confusion matrix menunjukkan bahwa model ensemble lebih efektif dalam mengurangi kesalahan klasifikasi pada kelas Berisiko dan Risiko Tinggi, yang secara klinis memiliki karakteristik yang saling beririsan. Selain itu, analisis kontribusi fitur menunjukkan bahwa Indeks Massa Tubuh (IMT), kolesterol, tekanan darah, dan kadar gula darah merupakan faktor dominan dalam penentuan risiko penyakit metabolik. Penelitian ini menyimpulkan bahwa pendekatan ensemble stacking tidak hanya meningkatkan stabilitas klasifikasi, tetapi juga menghasilkan model yang interpretable dan relevan secara klinis, sehingga berpotensi mendukung pengembangan sistem deteksi dini risiko penyakit metabolik berbasis Posbindu PTM. Secara lebih luas, hasil penelitian ini berkontribusi pada penguatan implementasi Posbindu berbasis teknologi di lingkungan universitas serta mendukung kebijakan nasional dalam pengendalian penyakit tidak menular melalui pemanfaatan data kesehatan komunitas secara optimal.
References
[1] Y. Zhang et al., “Construction of Xinjiang metabolic syndrome risk prediction model based on interpretable models,” BMC Public Health, vol. 22, no. 1, pp. 1–11, 2022, doi: 10.1186/s12889-022-12617-y.
[2] M. J. Jhou, M. S. Chen, T. S. Lee, C. T. Yang, Y. L. Chiu, and C. J. Lu, “A hybrid risk factor evaluation scheme for metabolic syndrome and stage 3 chronic kidney disease based on multiple machine learning techniques,” Healthcare, vol. 10, no. 12, 2022, doi: 10.3390/healthcare10122496.
[3] Universitas Gadjah Mada, “Usaha Cegah Penyakit Tak Menular Lewat Posbindu-PTM,” 2024. [Online]. Available: https://lib.ugm.ac.id/usaha-cegah-penyakit-tak-menular-lewat-posbindu-ptm/
[4] Kementerian Kesehatan Republik Indonesia, “Peraturan Menteri Kesehatan Republik Indonesia Nomor 71 Tahun 2015 tentang Penanggulangan Penyakit Tidak Menular,” 2015. [Online]. Available: https://p2ptm.kemkes.go.id/dokumen-ptm/peraturan-menteri-kesehatan-republik-indonesia-nomor-71-tahun-2015-tentang-penanggulangan-penyakit-tidak-menular
[5] E. O. Paul, “Hybrid decision tree-based machine learning models for diabetes prediction,” SCIREA Journal of Information Science and Systems Science, Jan. 2024, doi: 10.54647/isss120327.
[6] A. Arista, “Comparison Decision Tree and Logistic Regression machine learning classification algorithms to determine Covid-19,” Sinkron, vol. 7, no. 1, pp. 59–65, 2022, doi: 10.33395/sinkron.v7i1.11243.
[7] S. J. Lin, C. C. Liu, D. M. T. Tsai, Y. H. Shih, C. L. Lin, and Y. C. Hsu, “Prediction models using Decision Tree and Logistic Regression method for predicting hospital revisits in peritoneal dialysis patients,” Diagnostics, vol. 14, no. 6, pp. 1–13, 2024, doi: 10.3390/diagnostics14060620.
[8] Biro Pelayanan Kesehatan Terpadu, Universitas Gadjah Mada, “Health Promoting University di Universitas Gadjah Mada,” 2024. [Online]. Available: https://hpu.ugm.ac.id/
[9] Z. Xiaoshuai, T. Chuanping, and W. Shuohuan, “A stacking ensemble model for predicting the occurrence of carotid atherosclerosis,” Frontiers in Endocrinology, vol. 15, pp. 1–8, 2024, doi: 10.3389/fendo.2024.1390352.
[10] B. J. Bhatt et al., “Validation of a popular consumer-grade cuffless blood pressure device for continuous 24 h monitoring,” European Heart Journal - Digital Health, pp. 1–9, 2025, doi: 10.1093/ehjdh/ztaf044.
[11] M. Muniyandi et al., “Diagnostic accuracy of mercurial versus digital blood pressure measurement devices: a systematic review and meta-analysis,” Scientific Reports, vol. 12, no. 1, pp. 1–8, 2022, doi: 10.1038/s41598-022-07315-z.
[12] S. Stabouli et al., “Comparison of validation protocols for blood pressure measuring devices in children and adolescents,” Frontiers in Cardiovascular Medicine, vol. 9, 2022, doi: 10.3389/fcvm.2022.1001878.
[13] W. Widayat, P. Assiroj, Sohirin, I. A. Prabadhi, and P. A. Kautsar, “Data mining implementation: a survey,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 36, no. 3, pp. 1960–1968, 2024, doi: 10.11591/ijeecs.v36.i3.pp1960-1968.
[14] A. H. Nasrullah, “Implementasi Algoritma Decision Tree untuk klasifikasi produk laris,” Jurnal Ilmiah Ilmu Komputer, vol. 7, no. 2, pp. 45–51, 2021, doi: 10.35329/jiik.v7i2.203.
[15] L. R. Safitri, N. Chamidah, T. Saifudin, M. Firmansyah, and G. T. Alpandi, “Comparison of Logistic Regression and Support Vector Machine in predicting stroke risk,” Inferensi, vol. 7, no. 2, p. 123, 2024, doi: 10.12962/j27213862.v7i2.20420.
[16] T. Siswati, H. S. Kasjono, and Y. Olfah, “Posbindu PTM: The key of early detection and decreasing prevalence of non-communicable diseases in Indonesia,” Iranian Journal of Public Health, vol. 51, no. 7, pp. 1683–1684, 2022, doi: 10.18502/ijph.v51i7.10105.
[17] V. Widyaningsih et al., “Missed opportunities in hypertension risk factors screening in Indonesia: A mixed-methods evaluation of integrated health post (POSBINDU) implementation,” BMJ Open, vol. 12, no. 2, pp. 1–11, 2022, doi: 10.1136/bmjopen-2021-051315.
