Prediksi Risiko Diabetes Menggunakan Model Regresi Logistik dan Random Forest
Abstract viewed = 0 times
PDF (Bahasa Indonesia) downloaded = 0 times
Abstract
Diabetes melitus merupakan krisis kesehatan publik yang terus meningkat, dengan sebagian besar kasus di Indonesia tidak terdiagnosis sehingga menuntut adanya metode deteksi dini yang efektif. Penelitian ini bertujuan untuk mengembangkan dan membandingkan kinerja dua model pembelajaran mesin—Regresi Logistik dan Random Forest—dalam memprediksi risiko diabetes. Metodologi penelitian mencakup pra-pemrosesan data, pelatihan model pada 80% data, dan pengujian pada 20% data. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa model Random Forest secara signifikan mengungguli Regresi Logistik di semua metrik, mencapai akurasi 97.03% dan recall 68.94%. Analisis kepentingan fitur mengidentifikasi kadar glukosa darah, level HbA1c, dan BMI sebagai prediktor paling signifikan. Model yang unggul kemudian diimplementasikan ke dalam aplikasi web interaktif berbasis Streamlit sebagai alat bantu skrining. Simpulan dari studi ini menegaskan bahwa model Random Forest memiliki potensi besar sebagai alat skrining non-invasif untuk deteksi dini diabetes, yang dapat membantu memprioritaskan individu untuk pengujian klinis lebih lanjut.
References
[2] E. Anikasari, I. E. Cantessa, F. Farmasi, I. Artikel, and D. Mellitus, “Mellitus Dengan Komplikasi Case Study of the Use of Wound Care Medication in,” pp. 28–34, 2025.
[3] M. Kholish, A. Herdianto, R. F. Setiawan, and R. Samsinar, “Perbandingan Algoritma Random Forest dan Naive Bayes dalam Memprediksi Penyakit Diabetes,” Hubisintek, vol. 5, no. 1, pp. 322–328, 2024, [Online]. Available: https://ojs.udb.ac.id/index.php/HUBISINTEK/article/view/4757
[4] A. Pramudyantoro, E. Utami, and D. Ariatmanto, “Penggabungan K-Nearest Neighbors Dan Lightgbm Untuk Prediksi Diabetes Pada Dataset Pima Indians: Menggunakan Pendekatan Exploratory Data Analysis,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 3, pp. 1133–1144, 2024, doi: 10.29100/jipi.v9i3.4966.
[5] A. Pratama, A. C. Nurcahyo, and L. Firgia, “Penerapan Machine Learning dengan Algoritma Logistik Regresi untuk Memprediksi Diabetes,” Pros. CORISINDO 2023, pp. 116–121, 2023, [Online]. Available: https://stmikpontianak.org/ojs/index.php/corisindo/article/view/30%0Ahttps://stmikpontianak.org/ojs/index.php/corisindo/article/download/30/22
[6] A. M. Ridwan and G. D. Setyawan, “Perbandingan Berbagai Model Machine Learning Untuk Mendeteksi Diabetes,” Teknokom, vol. 6, no. 2, pp. 127–132, 2023, doi: 10.31943/teknokom.v6i2.152.
[7] M. I. Gunawan, D. Sugiarto, and I. Mardianto, “Peningkatan Kinerja Akurasi Prediksi Penyakit Diabetes Mellitus Menggunakan Metode Grid Seacrh pada Algoritma Logistic Regression,” J. Edukasi dan Penelit. Inform., vol. 6, no. 3, p. 280, 2020, doi: 10.26418/jp.v6i3.40718.
[8] Q. R. Cahyani et al., “Prediksi Risiko Penyakit Diabetes menggunakan Algoritma Regresi Logistik Diabetes Risk Prediction using Logistic Regression Algorithm Article Info ABSTRAK,” JOMLAI J. Mach. Learn. Artif. Intell., vol. 1, no. 2, pp. 2828–9099, 2022, doi: 10.55123/jomlai.v1i2.598.
[9] E. Safitri, D. Rofianto, N. Purwati, H. Kurniawan, and S. Karnila, “Prediksi Penyakit Diabetes Melitus Menggunakan Algoritma Machine Learning Diabetes Mellitus Disease Prediction using Machine Learning Algorithms,” JUSTIN J. Sist. dan Teknol. Inf., vol. 12, no. 4, pp. 760–766, 2024, doi: 10.26418/justin.v12i4.84620.
[10] R. B. Prasetyo, “Prediksi Dini Penyakit Diabetes Pada Ibu Hamil Dengan Algoritma Random Forest,” JIMUJurnal Ilm. Multidisipliner, vol. 2, no. 04, pp. 803–812, 2024, doi: 10.70294/jimu.v2i04.440.
[11] F. T. Anggraeny and R. Mumpuni, “PREDIKSI RISIKO DIABETES MENGGUNAKAN ENSEMBLE WEIGHTED VOTING DENGAN ALGORITMA LOGISTIC REGRESSION , SVM ,” 2025.
[12] M. F. Ashidiq, L. Muflikhah, and B. D. Setiawan, “Deteksi Nefropati Diabetik Pada Pasien Diabetes Melitus Menggunakan Regresi Logistik,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 2, pp. 2548–964, 2025, [Online]. Available: http://j-ptiik.ub.ac.id
[13] T. H. Pinem and Z. P. Putra, “Evaluasi Kinerja Algoritma Klasifikasi Deep Learning dalam Prediksi Diabetes,” vol. 17, no. 1, pp. 17–28, 2025, doi: 10.22441/fifo.2025.v17i1.003.
[14] Dewi Nasien et al., “Perbandingan Implementasi Machine Learning Menggunakan Metode KNN, Naive Bayes, dan Logistik Regression Untuk Mengklasifikasi Penyakit Diabetes,” JEKIN - J. Tek. Inform., vol. 4, no. 1, pp. 10–17, 2024, doi: 10.58794/jekin.v4i1.640.
[15] R. Waluyo and A. S. Munir, “Optimasi Prediksi Kematian pada Gagal Jantung Analisis Perbandingan Algoritma Pembelajaran Ensemble dan Teknik Penyeimbangan Data pada Dataset,” J. Sist. dan Teknol. Inf., vol. 12, no. 2, p. 365, 2024, doi: 10.26418/justin.v12i2.75158.
[16] N. F. Sahamony, T. Terttiaavini, and H. Rianto, “Analisis Perbandingan Kinerja Model Machine Learning untuk Memprediksi Risiko Stunting pada Pertumbuhan Anak,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 413–422, 2024, doi: 10.57152/malcom.v4i2.1210.
