Penanganan Ketidakseimbangan Data pada Pemodelan Risiko Diabetes Tipe 2 Menggunakan SMOTE-MARS

Abstract

Diabetes Melitus Tipe 2 (DMT2) merupakan tantangan kesehatan kritis di Indonesia, namun pemodelan faktor risikonya sering terhambat oleh ketidakseimbangan kelas di mana individu sehat melebihi jumlah kasus positif. Penelitian ini memodelkan risiko DMT2 menggunakan pendekatan hybrid yang menggabungkan Synthetic Minority Over-sampling Technique (SMOTE) dan Multivariate Adaptive Regression Splines (MARS). Penelitian ini menggunakan data medis dengan ketidakseimbangan awal 62% sehat dan 38% kasus DMT2. SMOTE diterapkan untuk menyeimbangkan distribusi training, diikuti dengan pemodelan MARS untuk menangkap interaksi non-linear. Hasil penelitian menunjukkan bahwa model SMOTE-MARS secara signifikan mengungguli MARS standar, mencapai Akurasi 0,70 dan AUC 0,73, dibandingkan dengan AUC model standar yang hanya 0,458. Model optimal mengidentifikasi Berat Badan, Tinggi Badan, dan Konsumsi Gula sebagai prediktor utama. Secara spesifik, berat badan di bawah 48 kg teridentifikasi sebagai faktor protektif yang kuat (OR 0,22), sedangkan tinggi badan kurang dari 165 cm (OR 1,22) dan interaksi berat badan berlebih (>62 kg) dengan konsumsi gula (OR 1,12) merupakan faktor risiko signifikan. Tingginya nilai sensitivitas mengindikasikan bahwa model SMOTE-MARS sangat potensial digunakan sebagai instrumen deteksi dini untuk mengidentifikasi pasien yang berisiko tinggi terkena diabetes.