Literature Review : Penerapan Algoritma Random Forest untuk Klasifikasi Penyakit Diabetes
Keywords:
Diabetes, Random Forest, Klasifikasi, Deteksi Dini, Rapid ReviewAbstract
Diabetes adalah penyakit kronis yang berdampak signifikan pada kesehatan global, ditandai dengan peningkatan kadar gula darah akibat gangguan insulin. Deteksi dini dan klasifikasi yang akurat sangat penting untuk mendukung diagnosis dan penanganan diabetes. Penelitian ini bertujuan mengevaluasi algoritma Random Forest (RF), yang telah terbukti efektif dalam klasifikasi data medis, khususnya untuk deteksi diabetes. Algoritma RF bekerja melalui metode pembelajaran kelompok, menggabungkan berbagai pohon keputusan untuk menghasilkan prediksi yang lebih akurat. Dengan menggunakan pendekatan rapid review, studi ini meninjau literatur yang relevan guna memahami efektivitas RF dalam klasifikasi diabetes. Hasil analisis menunjukkan bahwa RF mencapai akurasi tinggi hingga 98% dengan metode evaluasi Area Under Curve (AUC) mencapai 100%, yang menunjukkan kemampuan klasifikasi yang sangat baik. Selain itu, penerapan normalisasi data, khususnya min-max normalization, meningkatkan performa model. Meskipun memiliki beberapa keterbatasan, seperti kompleksitas dan keterbatasan interpretasi, RF menunjukkan potensi signifikan dalam pengembangan sistem deteksi dini berbasis web untuk diabetes, serta potensi aplikasi lebih lanjut dalam klasifikasi penyakit lainnya.
References
Apriliah, W., Kurniawan, I., Baydhowi, M., & Haryati, T. (2021). Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest. SISTEMASI, 10(1), 163. https://doi.org/10.32520/stmsi.v10i1.1129
Baihaqi, M. I., Syaripudin, A., & Nugroho, F. A. (2023). Implementation Of The Random Forest Algorithm In Stock Price Predictions Based On Historical Data. 1.
Gde Agung Brahmana Suryanegara, Adiwijaya, & Mahendra Dwifebri Purbolaksono. (2021). Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(1), 114–122. https://doi.org/10.29207/resti.v5i1.2880
Hardoni, A., Rini, D. P., & Sukemi, S. (2021). Integrasi SMOTE pada Naive Bayes dan Logistic Regression Berbasis Particle Swarm Optimization untuk Prediksi Cacat Perangkat Lunak. JURNAL MEDIA INFORMATIKA BUDIDARMA, 5(1), 233. https://doi.org/10.30865/mib.v5i1.2616
Iskandar, R. F. N., Gutama, D. H., Wijaya, D. P., & Danianti, D. (2024). Klasifikasi Menggunakan Metode Random Forest untuk Awal Deteksi Diabetes Melitus Tipe 2. Jurnal Teknik Industri Terintegrasi, 7(3), 1620–1626. https://doi.org/10.31004/jutin.v7i3.26916
Mahendra, I. B. S., Widiharih, T., Nugroho, F. A., & Sasongko, P. S. (2024). Implementation Of Feature Selection Chi-Square To Improve The Accuracy Of The Classification Model Using The Random Forest Algorithm On Coronary Artery Disease. 9, 1–7.
Rizal, A., Bryliana, F. R., Aripin, K. N. A., Wardani, S. A., & Rosyani, P. (2023). PEMANFAATAN DATA MINING UNTUK PRAKIRAAN. Jurnal Matematika, 1(1).
Rosyani, P., Saprudin, S., & Amalia, R. (2021). Klasifikasi Citra Menggunakan Metode Random Forest dan Sequential Minimal Optimization (SMO). Jurnal Sistem dan Teknologi Informasi (Justin), 9(2), 132. https://doi.org/10.26418/justin.v9i2.44120
Saifudin, A., Nabillah, U. U., Yulianti, & Desyani, T. (2020). Bagging Technique to Reduce Misclassification in Coronary Heart Disease Prediction Based on Random Forest. Journal of Physics: Conference Series, 1477(3), 032009. https://doi.org/10.1088/17426596/1477/3/032009
Setiawan, A., Nst, Z. H., Khairi, Z., & Efrizoni, L. (2024). KLASIFIKASI TINGKAT RISIKO DIABETES MENGGUNAKAN ALGORITMA. Jurnal Informatika, 7(2). Triyono, A., Trianto, R. B., & Arum, D. M. P. (2021). EARLY DETECTION OF DIABETES
MELLITUS USING RANDOM FOREST ALGORITHM. 1.
