Evaluasi Kinerja Model Random Forest Dalam Memprediksi Diabetes Berdasarkan Dataset Kesehatan di Indonesia
DOI:
https://doi.org/10.52436/1.jpti.871Kata Kunci:
Diabetes, Evaluasi, Kerja, Random ForestAbstrak
Penyakit diabetes atau sering disebut dengan penyakit gula darah adalah sekelompok penyakit metabolik yang ditandai dengan tingginya kadar gula darah pada seseorang yang terkena, dan bertahan dalam jangka waktu lama. Di Indonesia sedikitnya terdapat 20 juta orang pada usia 20-79 tahun menderita diabetes pada tahun 2024. Hal ini disebabkan oleh kurangnya akses terhadap alat prediksi yang efektif, serta keterbatasan pada pendekatan tradisional bergantung pada diagnosis medis manual yang memakan waktu dan biaya. Permasalahan ini muncul karena kurangnya pemanfaatan teknologi berbasis data dalam menganalisis faktor risiko yang kompleks dan saling terkait. Penelitian ini bertujuan menggunakan model random forest untuk melakukan klasifikasi terhadap penyakit diabetes serta mengevaluasi nilai akurasi dengan evaluasi model menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Teknik akurasi yang digunakan yaitu confusion matrix untuk mengukur performa dalam permasalahan sehingga menghasilkan nilai akurasi yang sesuai. Hasil penelitian ini dapat memberikan wawasan praktis tentang konfigurasi optimal model untuk aplikasi dunia nyata, sehingga meningkatkan akurasi dan keandalan sistem prediksi diabetes. Model diuji menggunakan data uji yang telah dipisahkan sebelumnya dengan rasio 80:20. Hasil evaluasi kinerja model menunjukkan akurasi sebesar 0.99%, presisi 0.99%, recall 0.99%, F1-score 0.99%, Specificity 0.99% dan ROC-AUC Score 89.2%. Hasil penelitian bermanfaat untuk membantu dokter dan tenaga kesehatan serta masyarkat umum untuk mendeteksi penyakit diabetes sejak dini.
Unduhan
Referensi
R. Kusumastuti, “Prediksi Risiko Diabetes Menggunakan Algoritma Decision Tree Dengan Aplikasi Rapid Miner,” No. November, Pp. 14–24, 2024. Doi: 10.9644/scp.v1i1.332.
R. A. Siallagan And Fitriyani, “Prediksi Penyakit Diabetes Mellitus Menggunakan Algoritma C4.5,” J. Responsif Ris. Sains Dan Inform., Vol. 3, No. 1, Pp. 44–52, 2021, Doi: 10.51977/Jti.V3i1.407.
S. U. Putri, “Implementasi Data Mining Untuk Prediksi Penyakit Diabetes Dengan Algoritma C4.5,” J. Penerapan Sist. Inf., Vol. 1, No. 1, Pp. 1–10, 2021.Doi: 10.32409/jikstik.23.1.3507
A. M. E. R. I. C. A. N. D. I. A. B. E. T. E. S. A. S. S. O. C. I. A. T. I. O. N, “Standards Of Medical Care In Diabetes,” 2024.
R. F. N. Iskandar, D. H. Gutama, D. P. Wijaya, And D. Danianti, “Klasifikasi Menggunakan Metode Random Forest Untuk Awal Deteksi Diabetes Melitus Tipe 2,” J. Tek. Ind. Terintegrasi, Vol. 7, No. 3, Pp. 1620–1626, 2024, Doi: 10.31004/Jutin.V7i3.26916.
F. Johnson And L. White, “Application Of Data Mining In Health Sector: A Review Of Literature,” Int. J. Adv. Comput. Sci. Appl., Vol. 11, No. 5, Pp. 175–183, 2020.
C. H. Lee And M. W. Yoon, “Trends In The Epidemiology Of Diabetes In Asia-Pacific Regions,” Curr. Diab. Rep., Vol. 16, No. 5, Pp. 465–473, 2020.Doi: 10.1177/1010539516663938
E. Safitri, D. Rofianto, N. Purwati, H. Kurniawan, And S. Karnila, “Prediksi Penyakit Diabetes Melitus Menggunakan Algoritma Machine Learning Diabetes Mellitus Disease Prediction Using Machine Learning Algorithms,” Vol. 12, No. 4, Pp. 760–766, 2024, Doi: 10.26418/Justin.V12i4.84620.
Kemankes, Kemankes. 2024.
M. Salsabil, N. Lutvi, And A. Eviyanti, “Implementasi Data Mining Dalam Melakukan Prediksi Penyakit Diabetes Menggunakan Metode Random Forest Dan Xgboost,” J. Ilm. Komputasi, Vol. 23, No. 1, Pp. 51–58, 2024, Doi: 10.32409/Jikstik.23.1.3507.
Ary Prandika Siregar, Dwi Priyadi Purba, Jojor Putri Pasaribu, And Khairul Reza Bakara, “Implementasi Algoritma Random Forest Dalam Klasifikasi Diagnosis Penyakit Stroke,” J. Penelit. Rumpun Ilmu Tek., Vol. 2, No. 4, Pp. 155–164, 2023, Doi: 10.55606/Juprit.V2i4.3039.
Suci Amaliah, M. Nusrang, And A. Aswi, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi Di Kedai Kopi Konijiwa Bantaeng,” Variansi J. Stat. Its Appl. Teach. Res., Vol. 4, No. 3, Pp. 121–127, 2022, Doi: 10.35580/Variansiunm31.
Mubaraqah, A. N. Puteri, And A. Sumardin, “Comparison Of Random Forest And Xgboost For Diabetes Classification With Shap And Lime Interpretation,” Jtera, Vol. 9, No. 2, Pp. 121–130, 2025, Doi: 10.31544/Jtera.V9.I1.2024.121-130.
A. D. Wahyudi And A. R. Isnain, “Penerapan Metode Topsis Untuk Pemilihan Distributor Terbaik,” Jati, Vol. 1, No. 2, Pp. 59–70, 2023. Doi :org/10.34010/jati.v15i1
Z. Abdussamad, Metodologi Penelitian Kualitatif. Makasar: Cv. Syakir Media Press, 2021.
Hardani, Metodologi Penelitian. Jakarta: Cv. Pustaka Ilmu, 2020.
P. A. S. Banilai And M. Sakundarno, “Systematic Review: Faktor-Faktor Yang Berhubungan Dengan Kejadian Diabetes Melitus (Dm) Pada Penderita Tuberkulosis (Tb),” Heal. Tadulako J. (Jurnal Kesehat. Tadulako), Vol. 9, No. 2, Pp. 205–217, May 2023, Doi: 10.22487/Htj.V9i2.739.
Q. P. Irawan, K. D. Utami, S. Reski, And Saraheni, “Hubungan Indeks Massa Tubuh (Imt) Dengan Kadar Hba1c Pada Penderita Diabetes Mellitus Tipe Ii Di Rumah Sakit Abdoel Wahab Sjahranie,” Formosa J. Sci. Technol., Vol. 1, No. 5, Pp. 459–468, Oct. 2022, Doi: 10.55927/Fjst.V1i5.1220.
D. Setyawan And A. Suradi, “Implementasi Web Service Dan Analisis Kinerja Algoritma Klasifikasi Data Mining Untuk Memprediksi Diabetes Mellitus,” Simetris J. Tek. Mesin, Elektro Dan Ilmu Komput., Vol. 8, No. 2, P. 701, Nov. 2017, Doi: 10.24176/Simet.V8i2.1584.
C. Fiarni, E. M. Sipayung, And S. Maemunah, “Analysis And Prediction Of Diabetes Complication Disease Using Data Mining Algorithm,” Procedia Comput. Sci., Vol. 161, Pp. 449–457, 2019, Doi: 10.1016/J.Procs.2019.11.144.
A. Viloria, Y. Herazo-Beltran, D. Cabrera, And O. B. Pineda, “Diabetes Diagnostic Prediction Using Vector Support Machines,” Procedia Comput. Sci., Vol. 170, Pp. 376–381, 2020, Doi: 10.1016/J.Procs.2020.03.065.
W. Apriliah, I. Kurniawan, M. Baydhowi, And T. Haryati, “Prediksi Kemungkinan Diabetes Pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,” Sistemasi, Vol. 10, No. 1, P. 163, Jan. 2021, Doi: 10.32520/Stmsi.V10i1.1129.
P. Palimkar, R. N. Shaw, And A. Ghosh, “Machine Learning Technique To Prognosis Diabetes Disease: Random Forest Classifier Approach,” 2022, Pp. 219–244. Doi: 10.1007/978-981-16-2164-2_19.
Y. Ginanjar, I. Damayanti, And I. Permana, “Pengaruh Senam Diabetes Terhadap Penurunan Kadar Gula Darah Pada Penderita Diabetes Mellitus Di Wilayah Kerja Pkm Ciamis Kabupaten Ciamis Tahun 2021,” J. Keperawatan Galuh, Vol. 4, No. 1, P. 19, Mar. 2022, Doi: 10.25157/Jkg.V4i1.6408.
A. Pramudyantoro, E. Utami, And D. Ariatmanto, “Penggabungan K-Nearest Neighbors Dan Lightgbm Untuk Prediksi Diabetes Pada Dataset Pima Indians: Menggunakan Pendekatan Exploratory Data Analysis,” Jipi (Jurnal Ilm. Penelit. Dan Pembelajaran Inform., Vol. 9, No. 3, Pp. 1133–1144, Aug. 2024, Doi: 10.29100/Jipi.V9i3.4966.
X. Wang Et Al., “Exploratory Study On Classification Of Diabetes Mellitus Through A Combined Random Forest Classifier,” Bmc Med. Inform. Decis. Mak., Vol. 21, No. 1, P. 105, Dec. 2021, Doi: 10.1186/S12911-021-01471-4.
R. Irfannandhy, L. B. Handoko, And N. Ariyanto, “Analisis Performa Model Random Forest Dan Catboost Dengan Teknik Smote Dalam Prediksi Risiko Diabetes,” J. Pendidik. Inform., Vol. 8, No. 2, Pp. 714–723, 2024, Doi: 10.29408/Edumatic.V8i2.27990.
R. Maulana, M. F. Hasan, F. Raehan, And M. Ramzy, “Literature Review?: Penerapan Algoritma Random Forest Untuk Klasifikasi Penyakit Diabetes,” Bima, Vol. 2, No. 3, Pp. 550–555, 2024. DOI: 10.37638/bima.5.1.43-50
H. Ma’rifah, A. P. Wibawa, And M. I. Akbar, “Klasifikasi Artikel Ilmiah Dengan Berbagai Skenario Preprocessing,” Sains, Apl. Komputasi Dan Teknol. Inf., Vol. 2, No. 2, P. 70, 2020, Doi: 10.30872/Jsakti.V2i2.2681.
R. Irfannandhy, L. B. Handoko, And N. Ariyanto, “Analisis Performa Model Random Forest Dan Catboost Dengan Teknik Smote Dalam Prediksi Risiko Diabetes,” J. Pendidik. Inform., Vol. 8, No. 2, Pp. 714–723, 2024, Doi: 10.29408/Edumatic.V8i2.27990.
