Deteksi Penderita Diabetes dengan Algoritma Random Forest dan Backward Elimination

Abstract

Diabetes merupakan salah satu penyakit kronis yang membutuhkan deteksi dini secara akurat untuk penanganan yang tepat. Penelitian ini bertujuan untuk mengoptimalkan proses deteksi penderita diabetes menggunakan kombinasi algoritma Random Forest dengan teknik Backward Elimination sebagai salah satu metode feature selection. Dataset yang digunakan berasal dari database publik yang diambil dari Kaggle, terdiri dari 768 sampel dengan 9 atribut, termasuk kadar glukosa, tekanan darah, indeks massa tubuh, dan faktor risiko lainnya. Metodologi penelitian meliputi empat tahap utama, data preparation untuk memastikan kualitas dataset, pre-processing menggunakan Backward Elimination untuk seleksi fitur optimal, implementasi algoritma Random Forest untuk klasifikasi, dan evaluasi performa menggunakan confusion matrix. Hasil penelitian menunjukkan peningkatan signifikan dalam performa model setelah implementasi Backward Elimination, dengan peningkatan accuracy dari 83,08% menjadi 99,78%, precision dari 79,37% menjadi 99,67%, sementara recall tetap konsisten pada 100%. Optimasi menggunakan Backward Elimination terbukti efektif dalam mengeliminasi fitur-fitur yang kurang berkontribusi terhadap akurasi prediksi, menghasilkan model yang lebih efisien dan akurat. Temuan ini mengindikasikan bahwa kombinasi Random Forest dengan Backward Elimination tidak hanya meningkatkan akurasi deteksi penderita diabetes secara substansial, tetapi juga berpotensi untuk diimplementasikan dalam sistem pendukung keputusan klinis untuk membantu diagnosis dini diabetes.