Hybrid XGBoost-SVM Model untuk Sistem Pendukung Keputusan dalam Prediksi Penyakit Diabetes
DOI:
https://doi.org/10.55123/insologi.v4i3.5410Keywords:
Diabetes Prediction, Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), Hybrid XGBoost-SVM Model, Decision Support System (DSS)Abstract
Diabetes is a chronic disease that continues to rise globally each year, requiring early detection for more effective prevention. This study develops an artificial intelligence-based decision support system for diabetes prediction using a Hybrid XGBoost-SVM model. The model combines the Support Vector Machine (SVM), known for its interpretability, with XGBoost (XGB), which enhances accuracy through boosting techniques. The study utilizes the Pima Indians Diabetes Dataset, undergoing preprocessing, normalization, data splitting, and model training. The evaluation compares accuracy, precision, recall, and F1-score across the three models. Experimental results indicate that XGBoost and SVM both achieve an accuracy of 75%. However, the Hybrid XGBoost-SVM model provides consistently improved performance, achieving the highest accuracy (77%), along with increased precision (70%) and F1-score (65%). Although the numerical improvement in accuracy appears relatively small, this enhancement is significant in the medical context, especially due to improved precision and balanced classification. This study concludes that the Hybrid XGBoost-SVM approach offers a more optimal and reliable alternative in decision support systems for diabetes prediction. Future research can explore other model combinations, such as Stacking or Weighted Voting, to enhance predictive performance further.
Downloads
References
durrosyid, R., Teguh, A. and Almais, W. (2025) ‘Deteksi Dini Diabetes menggunakan Machine Learning dengan Metode PCA dan XGBoost’, 11(1), pp. 51–56.
Agustanti, S.P., Alawiyah, A.P. and Suhandi, N. (2021) ‘Sistem Pendukung Keputusan Diagnosa Penyakit Gigi’, Sigmata: Jurnal Manajemen dan Informatika, 9(1), pp. 33–39.
Amelia, U., Indra, J. and Masruriyah, A.F.N. (2022) ‘Implementasi Algoritma Support Vector Machine (SVM) Untuk Prediksi Penyakit Stroke Dengan Atribut Berpengaruh’, Scientific Student Journal for Information, Technology and Science, III(2), pp. 254–259.
Andryan, M.R., Fajri, M. and Sulistyowati, N. (2022) ‘Komparasi Kinerja Algoritma Xgboost Dan Algoritma Support Vector Machine (SVM) Untuk Diagnosis Penyakit Kanker Payudara’, JIKO (Jurnal Informatika dan Komputer), 6(1), p. 1. Available at: https://doi.org/10.26798/jiko.v6i1.500.
Chang, W. et al. (2019) ‘A New Hybrid XGBSVM Model: Application for Hypertensive Heart Disease’, IEEE Access, 7, pp. 175248–175258. Available at: https://doi.org/10.1109/ACCESS.2019.2957367.
Debora Mait, C. et al. (2022) ‘Sistem Pendukung Keputusan Menggunakan Fuzzy Logic Tahani Untuk Penentuan Golongan Obat Sesuai Dengan’, Jurnal Media Infotama, 18(2), pp. 344–353.
Erlin et al. (2022) ‘Deteksi Dini Penyakit Diabetes Menggunakan Machine Learning dengan Algoritma Logistic Regression’, Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 11(2), pp. 88–96. Available at: https://doi.org/10.22146/jnteti.v11i2.3586.
Karyadiputra, E. and Setiawan, A. (2023) ‘Sistem pendukung keputusan berbasis decision tree algorithm untuk prediksi penyakit diabetes’, Media Informasi dan Teknologi, 17(2023), pp. 294–301. Available at: https://doi.org/10.24252/teknosains.v17i3.38383.
Khairunnisa, A. (2023) ‘Perbandingan Model Random Forest Dan Xgboost Untuk Prediksi Kejahatan Kesusilaan Di Provinsi Jawa Barat’, JIKO (Jurnal Informatika dan Komputer), 7(2), p. 202. Available at: https://doi.org/10.26798/jiko.v7i2.799.
Kurnia, D. et al. (2023) ‘Seleksi Fitur dengan Particle Swarm Optimization pada Klasifikasi Penyakit Parkinson Menggunakan XGBoost’, Jurnal Teknologi Informasi dan Ilmu Komputer, 10(5), pp. 1083–1094. Available at: https://doi.org/10.25126/jtiik.20231057252.
Lestari, U.I., Nadhiroh, A.Y. and Novia, C. (2021) ‘Penerapan Metode K-Nearest Neighbor Untuk Sistem Pendukung Keputusan Identifikasi Penyakit Diabetes Melitus’, 8(4), pp. 2071–2082.
Mucholladin, A.W., Bachtiar, F.A. and Furqon, M.T. (2021) ‘Klasifikasi Penyakit Diabetes menggunakan Metode Support Vector Machine’, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 5(2), pp. 622–633. Available at: http://j-ptiik.ub.ac.id.
Nasution, M.K., Saedudin, R.R. and Widartha, V.P. (2021) ‘Perbandingan Akurasi Algoritma Naïve Bayes Dan Algoritma Xgboost Pada Klasifikasi Penyakit Diabetes’, e-Proceeding of Engineering, 8(5), pp. 9765–9772. Available at: https://journal.ubpkarawang.ac.id/mahasiswa/index.php/ssj/article/view/424/338%0Ahttps://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/15759.
Oktavia, D.C., Aeni, K. and Saraswati, N.M. (2020) ‘Sistem Pendukung Keputusan Menu Makanan Untuk Penderita Penyakit Tipes Dan Diabetes Menggunakan Metode Technique For Order Preference By Similarity To Ideal Solution (TOPSIS) (Studi Kasus : RSUM SA)’, IJIR ( Indonesian Journal of Informatics and Research), 1(1), pp. 8–13.
Ramadhanti, A. et al. (2024) 'Pengembangan Alat Deteksi Gejala Anemia Non-Invasive Berbasis Narrowband Internet of ', 12(3).
Rayadin, M.A. et al. (2024) ‘Implementasi Ensemble Learning Metode XGBoost dan Random Forest untuk Prediksi Waktu Penggantian Baterai Aki’, BIOS: Jurnal Teknologi Informasi dan Rekayasa Komputer, 5(2), pp. 111–119.
Soelistijadi, R. et al. (2024) ‘Pemodelan Prediktif Menggunakan Metode Ensemble Learning XGBoost dalam Peningkatan Akurasi Klasifikasi Penyakit Ginjal’, 5(4), pp. 1866–1875.
Syukron, M., Santoso, R. and Widiharih, T. (2020) ‘Perbandingan Metode Smote Random Forest Dan Smote Xgboost Untuk Klasifikasi Tingkat Penyakit Hepatitis C Pada Imbalance Class Data’, Jurnal Gaussian, 9(3), pp. 227–236. Available at: https://doi.org/10.14710/j.gauss.v9i3.28915.
Wahyuni, D. (2025) ‘Jurnal Sains dan Teknologi Widyaloka Sistem Pendukung Keputusan Dengan Metode Weighted Product Untuk Memilih Protokol Pengobatan Pneumonia Pada Anak Berdasarkan Kondisi Klinis Jurnal Sains dan Teknologi Widyaloka’, 4, pp. 70–75.
Wibowo, Indarti and Laraswati, D. (2024) ‘Komparasi Algoritma Decision Tree, Random Forestdan SVM untuk Prognosis COVID-19’, IMTechno: Journal of Industrial Management and Technology, 5(2), pp. 10–15. Available at: https://www.kaggle.com/datasets/maulanazhahran/d.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Muhammad Surono, Muhammad Fadli, Dian Sri Purwanti, Erliyan Redy Susanto
This work is licensed under a Creative Commons Attribution 4.0 International License.
Hak cipta pada setiap artikel adalah milik penulis.
Penulis mengakui bahwa INSOLOGI (Jurnal Sains dan Teknologi) sebagai publisher yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution 4.0 International License.
Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif dari naskah yang telah terbit di jurnal ini kedalam versi yang lain, seperti: dikirim ke respository institusi penulis, publikasi kedalam buku, dan lain-lain. Dengan mengakui bahwa naskah telah terbit pertama kali pada INSOLOGI (Jurnal Sains dan Teknologi).
