Implementasi Algoritma K-NN, Decision Tree, dan Random Forest pada Sistem Deteksi Diabetes Melitus

Abstract

Diabetes Melitus (DM) merupakan penyakit metabolik yang ditandai oleh peningkatan kadar glukosa darah akibat gangguan produksi maupun efektivitas kerja insulin. Sebagai salah satu masalah kesehatan yang terus mengalami peningkatan dan berpotensi menyebabkan komplikasi serius hingga kematian, diperlukan metode klasifikasi yang mampu mengidentifikasi faktor-faktor yang berkaitan dengan kejadian Diabetes Melitus secara akurat. Penelitian ini bertujuan menganalisis dan membandingkan kinerja algoritma K-Nearest Neighbors (KNN), Decision Tree, dan Random Forest dalam mengklasifikasikan data Diabetes Melitus berdasarkan sejumlah atribut, meliputi usia, jenis kelamin, polyuria, polydipsia, polyphagia, sudden weight loss, weakness, genital thrush, visual blurring, itching, irritability, delayed healing, partial paresis, muscle stiffness, alopecia, dan obesity. Metode penelitian dilakukan melalui penerapan ketiga algoritma dengan evaluasi berdasarkan akurasi, presisi, recall, F1-Score, dan Area Under Curve (AUC). Hasil pengujian menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 92,16%, presisi 91,89%, recall 97,14%, F1-Score 94,44%, dan AUC 0,9768. Nilai tersebut lebih tinggi dibandingkan Decision Tree dengan akurasi 88,24% dan AUC 0,8464 serta KNN dengan akurasi 74,51% dan AUC 0,8393. Dengan demikian, Random Forest merupakan algoritma paling optimal dalam mengklasifikasikan dan membedakan pasien Diabetes Melitus berdasarkan atribut yang digunakan.