Perbandingan Akurasi Prediksi Sindrom Metabolik dengan Menggunakan Algoritma Random Forest dan Xgboost

Abstract

Sindrom metabolik merupakan kumpulan kondisi medis yang meningkatkan risiko penyakit kardiovaskular, diabetes, dan kematian dini. Prevalensi sindrom metabolik yang terus meningkat, baik secara global maupun di Indonesia, menjadikan deteksi dini sebagai langkah penting dalam upaya pencegahan. Penelitian ini bertujuan untuk membandingkan performa algoritma Random Forest dan XGBoost dalam memprediksi sindrom metabolik menggunakan pendekatan machine learning. Dataset yang digunakan berasal dari platform Kaggle dengan total 2.402 data dan 15 variabel fitur. Tahapan penelitian meliputi exploratory data analysis (EDA), preprocessing data, penerapan model, hyperparameter tuning menggunakan Grid Search dan Cross Validation, serta evaluasi model menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua algoritma mampu memberikan performa yang baik dalam klasifikasi sindrom metabolik, namun XGBoost cenderung memberikan hasil yang lebih optimal setelah dilakukan tuning parameter. Penelitian ini memberikan kontribusi dalam pemanfaatan teknologi kecerdasan buatan untuk mendukung deteksi dini penyakit tidak menular secara lebih akurat dan efisien.