Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Resa Astari Br Tarigan
Universitas Pendidikan Ganesha
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Pengaruh Hyperparameter Tuning Gridsearch pada Random Forest untuk Klasifikasi Diabetes Melitus Resa Astari Br Tarigan; I Gusti Ayu Agung Diatri Indradewi; Gede Surya Mahendra
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.11967

Abstract

Diabetes Melitus merupakan salah satu penyakit kronis yang memerlukan deteksi dini dan klasifikasi yang akurat untuk mendukung pengambilan keputusan dalam bidang kesehatan. Salah satu algoritma yang banyak digunakan untuk tugas klasifikasi adalah Random Forest, namun performanya dipengaruhi oleh pemilihan hyperparameter yang tepat. Penelitian ini bertujuan untuk menganalisis pengaruh hyperparameter tuning menggunakan metode GridSearchCV terhadap kinerja algoritma Random Forest dalam klasifikasi Diabetes Melitus. Dataset yang digunakan diperoleh dari Mendeley Data dan terdiri atas 826 data setelah melalui tahap preprocessing. Penelitian dilakukan dengan membandingkan performa model Random Forest sebelum dan sesudah proses hyperparameter tuning menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model tanpa tuning menghasilkan accuracy sebesar 97,59%, precision 99,07%, recall 85,75%, dan F1-score 90,93%. Setelah dilakukan tuning menggunakan GridSearchCV, diperoleh parameter terbaik yaitu criterion = gini, max_depth = 15, min_samples_leaf = 1, max_features = sqrt, dan n_estimators = 300, yang menghasilkan accuracy sebesar 98,19%, precision 99,30%, recall 89,91%, dan F1-score 93,98%. Hasil penelitian menunjukkan bahwa penerapan GridSearchCV memberikan pengaruh positif terhadap performa Random Forest, terutama dalam meningkatkan kemampuan model mengenali kelas minoritas yang ditunjukkan oleh peningkatan nilai recall dan F1-score. Dengan demikian, hyperparameter tuning menggunakan GridSearchCV dapat digunakan untuk mengoptimalkan kinerja Random Forest dalam klasifikasi Diabetes Melitu gayanya.
Co-Authors Gede Surya Mahendra I Gusti Ayu Agung Diatri Indradewi