MODEL KLASIFIKASI PENYAKIT DIABETES MENGGUNAKAN METODE DECISION TREE

Abstract

Latar Belakang: Diabetes melitus merupakan gangguan metabolik kronis yang ditandai dengan kondisi hiperglikemia akibat defisiensi sekresi insulin, resistensi insulin, atau kombinasi keduanya. Sebagai salah satu penyakit tidak menular yang paling berbahaya secara global, diabetes memerlukan pendeteksian dini yang akurat. Klasifikasi tepat terhadap hasil tes laboratorium pasien (positif atau negatif diabetes) sangat penting untuk menentukan intervensi medis yang sesuai. Penelitian ini mengembangkan model klasifikasi berbasis Decision Tree C4.5 guna meningkatkan akurasi deteksi diabetes. Tujuan Penelitian: Studi ini bertujuan untuk membangun model klasifikasi status diabetes berdasarkan hasil laboratorium dan mengevaluasi model menggunakan berbagai metrik evaluasi. Metode Penelitian: Penelitian menggunakan dataset dari platform Kaggle yang terdiri dari 520 sampel dengan 17 variabel prediktor meliputi: faktor demografi (Age, Gender), gejala klinis (Polyuria, Polydipsia, sudden weight loss), tanda-tanda fisik (weakness, delayed healing, Alopecia), dan variabel target (class). Hasil Penelitian: Decision Tree C4.5 menunjukkan performa yang mengungguli dengan hasil akurasi: 91.35%, presisi: 93.55%, recall: 92.06%, spesifisitas: 90.24%, dan F1-score: 92.80%. Kesimpulan: Berdasarkan hasil analisis, dapat disimpulkan bahwa Decision Tree C4.5 merupakan algoritma yang efektif untuk klasifikasi diabetes, model yang dikembangkan mencapai akurasi di atas 90% pada semua metrik evaluasi, dan sistem ini berpotensi sebagai alat pendukung diagnosis diabetes di fasilitas kesehatan.