Model Diagnosis Penyakit Diabetes Mellitus Menggunakan SMOTE dan Algoritme Random Forest

Abstract

Diabetes Mellitus merupakan penyakit metabolik kronis yang prevalensinya terus meningkat secara global. Deteksi dini terhadap risiko diabetes sangat penting untuk mencegah munculnya komplikasi yang lebih serius di kemudian hari. Namun, proses ini menghadapi tantangan tersendiri, terutama dalam menentukan variabel risiko yang paling relevan dan memperoleh hasil klasifikasi yang akurat dalam mengidentifikasi individu yang berpotensi mengidap diabetes. Untuk menjawab tantangan tersebut, penelitian ini memanfaatkan algoritma Random Forest, yang dikenal memiliki performa baik dalam menangani masalah klasifikasi, termasuk dalam konteks medis seperti deteksi penyakit. Random Forest juga unggul dalam mengolah data berukuran besar serta mampu memberikan informasi mengenai tingkat kepentingan setiap fitur pada dataset. Penelitian ini juga menerapkan metode SMOTE (Synthetic Minority Oversampling Technique) guna mengatasi ketidakseimbangan distribusi data antar kelas, yang seringkali memengaruhi performa model secara keseluruhan. Dengan kombinasi algoritma Random Forest dan teknik SMOTE, diperoleh hasil evaluasi model dengan AUC sebesar 0.979, akurasi 91,36%, precision 98,46%, recall 72,32%, dan specificity 99,51%. Nilai-nilai ini menunjukkan bahwa model mampu memberikan performa yang tinggi dan andal. Pendekatan yang digunakan dalam penelitian ini tidak hanya meningkatkan akurasi dalam proses diagnosis dini diabetes, tetapi juga membantu mengungkap faktor-faktor risiko utama yang berperan, sehingga dapat menjadi dasar dalam strategi pencegahan dan pengendalian yang lebih tepat sasaran.