Perbandingan Akurasi Algoritma Machine Learning untuk Prediksi Diabetes Berdasarkan Data Skrining Pasien Lansia di Puskesmas Sempaja

Abstract

Diabetes melitus merupakan salah satu penyakit tidak menular yang memerlukan deteksi dini untuk mengurangi risiko komplikasi dan meningkatkan kualitas hidup pasien. Penelitian ini bertujuan membandingkan performa beberapa algoritma machine learning dalam memprediksi diabetes berdasarkan data skrining pasien lansia di Puskesmas Sempaja. Metode yang digunakan adalah data mining dengan tahapan Knowledge Discovery in Databases (KDD), meliputi seleksi data, prapemrosesan data, transformasi data, pemodelan, dan evaluasi. Dataset dibagi menjadi 80% data latih dan 20% data uji. Algoritma yang digunakan meliputi Decision Tree, K-Nearest Neighbors (KNN), Random Forest, Naïve Bayes, Support Vector Machine (SVM), dan Logistic Regression. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Naïve Bayes, SVM, dan Logistic Regression memperoleh performa terbaik dengan nilai akurasi sebesar 88% dan F1-score sebesar 83%. Sementara itu, Decision Tree menunjukkan kemampuan yang lebih baik dalam mendeteksi kelas positif dibandingkan model lainnya. Hasil penelitian menunjukkan bahwa algoritma machine learning dapat dimanfaatkan untuk mendukung prediksi diabetes, dengan Naïve Bayes, SVM, dan Logistic Regression sebagai model yang memiliki performa terbaik pada dataset yang digunakan.