PERBANDINGAN METODE ADABOOST DAN METODE EXTREME
LEARNING MACHINE (ELM) PADA PREDIKSI PENYAKIT(Oleh: Rio
Saputra; Pembimbing: Triando Hamonangan Saragih S.Kom., M.Kom dan Friska
Abadi, S. Kom., M. Kom.; 2025; 64 halaman)

Setiap tahunnya, lebih dari 36 juta orang meninggal akibat penyakit, dengan
lebih dari 9 juta di antaranya mengalami kematian dini sebelum usia 60 tahun. Untuk
mengurangi angka kematian ini, diperlukan upaya pencegahan dan peningkatan
kesadaran masyarakat, serta diagnosis dini yang akurat. Salah satu pendekatan yang
menjanjikan dalam membantu proses diagnosis adalah penerapan algoritma Machine
Learning (ML). ML mampu mempelajari dan mengolah data secara efisien untuk
memprediksi dan mengidentifikasi penyakit pada pasien. Penelitian ini membahas
penggunaan dua algoritma ML, yaitu Adaptive Boosting (Adaboost) dan Extreme
Learning Machine (ELM), dalam meningkatkan akurasi prediksi dan klasifikasi
penyakit. Adaboost merupakan metode ensemble boosting yang mengubah model
lemah menjadi model yang lebih kuat dengan menggabungkan prinsip bagging dan
boosting. Sementara itu, ELM adalah jaringan saraf tiruan feed-forward dengan satu
lapisan tersembunyi yang dikenal unggul dalam kecepatan belajar dan akurasi. Untuk
menangani ketidakseimbangan kelas dalam data, digunakan juga metode Synthetic
Minority Over-sampling Technique (SMOTE) yang menyintesis data minoritas guna
mengurangi risiko overfitting. Tujuan dari penelitian ini adalah membandingkan
performa Adaboost dan ELM dalam prediksi dengan evaluasi Area Under Curve
(AUC) pada prediksi penyakit. Hasil penelitian ini diharapkan dapat memberikan
kontribusi dalam pengembangan sistem pendukung keputusan medis berbasis
Machine Learning yang lebih akurat dan efektif untuk deteksi penyakit secara dini.
Berdasarkan hasil dari penelitian metode SMOTE dengan ELM dengan pengujian
parameter menggunakan semua parameter menghasilkan kinerja AUC yang lebih baik
dibandingkan dengan metode klasifikasi AdaBoost, ELM, SMOTE Adaboost dimana
untuk hasil AUC untuk metode SMOTE dengan ELM sebesar 80,66% dan hasil AUC
untuk metode AdaBoost sebesar 77,97%, metode ELM 78,44%, SMOTE dengan
Adaboost 78,95%.
Kata kunci: Penyakit, Machine Learning, ELM, AdaBoost, SMOTE