IMPLEMENTASI ALGORITMA RANDOM FOREST UNTUK PREDIKSI RISIKO DIABETES BERBASIS DATA KLINIS

Abstract

Diabetes merupakan penyakit metabolik kronis yang memerlukan deteksi dini untuk mencegah komplikasi serius. Penelitian ini bertujuan membangun model prediksi risiko diabetes menggunakan algoritma Random Forest berdasarkan data klinis pasien RSUD dr. M. Thomsen Nias. Data penelitian berjumlah 140 sampel pasien dengan variabel usia, tekanan darah, glukosa darah, kolesterol, HbA1c, pola makan, dan jenis kelamin. Tahapan penelitian meliputi praproses data, pembangunan pipeline Random Forest, optimasi hyperparameter (RandomizedSearchCV), serta evaluasi kinerja model menggunakan 5-Fold Cross Validation. Hasil menunjukkan kinerja model dengan akurasi 93,6%, presisi 94,2%, recall 99,2%, dan F1-Score 9,67%. Faktor paling berpengaruh dalam prediksi adalah glukosa darah sewaktu, glukosa darah puasa, HbA1c, dan usia. Model kemudian diimplementasikan ke dalam aplikasi berbasis web menggunakan Streamlit, yang memudahkan deteksi dini risiko diabetes. Penelitian ini membuktikan bahwa algoritma Random Forest efektif dan andal untuk prediksi risiko diabetes berbasis data klinis serta dapat diintegrasikan ke sistem informasi medis