ANALISIS KOMPARATIF ALGORITMA DECISION TREE DAN RANDOM FOREST DALAM KLASIFIKASI PENYAKIT DIABETES
Kata Kunci:
Diabetes, Machine Learning, Decision Tree, Random Forest, Prediksi MedisAbstrak
Diabetes merupakan masalah kesehatan global yang memerlukan sistem deteksi dini yang akurat untuk mencegah komplikasi kronis. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa dua algoritma Machine Learning, yaitu Decision Tree dan Random Forest, dalam memprediksi risiko penyakit diabetes. Metodologi penelitian ini menggunakan dataset sekunder Pima Indians Diabetes dari Kaggle yang diolah melalui tahapan pra-pemrosesan data, termasuk penanganan nilai hilang (missing values) dan standardisasi fitur menggunakan StandardScaler. Evaluasi model dilakukan dengan mengukur metrik akurasi, presisi, recall, dan f1-score. Hasil analisis menunjukkan bahwa algoritma Decision Tree memberikan performa paling optimal dengan tingkat akurasi sebesar 76%. Temuan penelitian mengonfirmasi bahwa fitur glukosa dan indeks massa tubuh (BMI) memiliki pengaruh paling signifikan terhadap ketepatan prediksi. Kontribusi penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem pendukung keputusan klinis yang efisien untuk skrining awal diabetes berbasis data komputasional.
