Analisis Perbandingan Algoritma Random Forest Dan Decision Tree Pada Prediksi Penyakit Diabetes
Keywords:
Random Forest, Decision Tree, Diabetes, RapidMiner, PrediksiAbstract
Diabetes melitus adalah penyakit kronis dengan prevalensi yang meningkat secara global. Diagnosis dini sangat penting untuk mencegah komplikasi, tetapi metode tradisional sering memerlukan waktu dan akses yang terbatas. Penelitian ini membandingkan algoritma Random Forest dan Decision Tree dalam memprediksi diabetes menggunakan dataset dari Kaggle. Algoritma ini dipilih karena kemampuan mereka menangani data kesehatan yang kompleks. Random Forest menggunakan pendekatan ensemble learning untuk meningkatkan akurasi dan stabilitas, sedangkan Decision Tree menawarkan interpretasi hasil yang lebih intuitif. Evaluasi dilakukan dengan metrik seperti akurasi, presisi, recall, dan Area Under Curve (AUC). Hasil menunjukkan Random Forest unggul dalam akurasi (78,78%) dan stabilitas dibandingkan Decision Tree (77,34%). Namun, Decision Tree lebih efisien secara komputasi dan mudah diinterpretasi. Analisis ini memberikan wawasan dalam memilih algoritma prediksi diabetes yang sesuai berdasarkan kebutuhan klinis dan sumber daya. Penelitian ini merekomendasikan Random Forest untuk keandalan prediksi dan Decision Tree untuk skenario yang memerlukan efisiensi dan interpretabilitas. Implementasi lebih lanjut diharapkan membantu tenaga medis dalam pengambilan keputusan yang lebih baik.
References
Aditya, M. F., Pramuntadi, A., Wijaya, D. P., & Wicaksono, Y. (2024). Implementasi Metode Decision Tree pada Prediksi Penyakit Diabetes Melitus Tipe 2. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(3), 1104–1110. https://doi.org/10.57152/malcom.v4i3.1284
Alrasyid, H., Homaidi, A., Kom, M., Fatah, Z., & Kom, M. (2024). Comparison Support Vector Machine and Random Forest Algorithms in Detect Diabetes. 1(1), 447–453.
Andi, Thamrin, Susanto, A., Wijaya, E., & Djohan, D. (2023). Analysis of the random forest and grid search algorithms in early detection of diabetes mellitus disease. Jurnal Mantik, 7(2), 2685–4236.
H, M. I. A., Amran, A., Desiani, A., & Napitu, M. J. (2024). Comparison of Classification Results of SVM , KNN , Decision Tree , and Ensemble Methods in Diabetes Diagnosis. 76–82. https://doi.org/10.37034/medinftech.v2i3.62
Ivandari, Much. Rifqi Maulana, Muhammad Faizal Kurniawan, & Al Karomi, M. A. (2023). Komparasi Algoritma Data Mining untuk Klasifikasi Penyakit Diabetes. Bulletin of Computer Science Research, 3(5), 343–350. https://doi.org/10.47065/bulletincsr.v3i5.280
Sapriadi. (2024). K-Nearest Neighbors, decision trees and random forest for diabetes prediction. 7(4).
Suryanegara, G. A. B., Adiwijaya, & Purbolaksono, M. D. (2021). Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 1(10), 114–122.
Susanti, Z., Sirait, P., & Panjaitan, E. S. (2023). Peningkatan Kinerja Random Forest Melalui Seleksi Fitur Secara Pca Untuk Mendeteksi Penyakit Diabetes Tahap Awal. Sains Dan Teknologi, 4(3), 51–56.
