Pengembangan Model Machine Learning untuk Deteksi Penyakit Diabetes Menggunakan Analisis Gini Importance

Abstract

Diabetes mellitus adalah penyakit yang mengakibatkan kadar gula darah naik dan berpotensi menyebabkan komplikasi yang lebih serius. Skrining diabetes menjadi sangat penting agar tercegahnya terjadi masalah ini. Masalah tersebut dapat diatasi dengan perancangan sistem machine learning untuk memprediksi penyakit diabetes. Penelitian ini bertujuan untuk mengembangkan model klasifikasi machine learning untuk deteksi penyakit diabetes. Lima model klasifikasi seperti Random Forest, Support Vector Machine, Logistic Regression, Linear Discriminant Analysis, dan Artificial Neuron Network dibandingkan untuk menentukan model terbaik dalam memprediksi diabetes. Dataset yang digunakan diambil dari Kaggle dengan nama “Diabetes Prediction Dataset” sebanyak 100.000 data. Hasil Analisis kontribusi fitur menggunakan metode Gini Importance didapatkan hasil yaitu fitur blood_glucose, bmi, dan age merupakan fitur yang paling berkontribusi dalam memprediksi diabetes. Model dilatih menggunakan teknik hybrid resampling dan diuji menggunakan 10-fold cross validation serta pembagian data training (80%) dan data testing (20%). Hasil menunjukkan model Random Forest memiliki akurasi tertinggi sebesar 87%, diikuti oleh Support Vector Machine (86%), Artificial Neuron Network (83%), Logistic Regression (82%), dan Linear Discriminant Analysis (81%). Berdasarkan penelitian ini, model Random Forest dengan metode Gini Importance memberikan performa terbaik untuk deteksi dini diabetes.