<![CDATA[Diabetes melitus merupakan penyakit tidak menular dengan prevalensi yang terus meningkat, baik secara global maupun di Indonesia, sehingga deteksi dini berbasis data klinis menjadi penting untuk mendukung intervensi yang lebih cepat dan tepat sasaran. Penelitian ini bertujuan menerapkan dan mengevaluasi algoritma Random Forest untuk memprediksi risiko diabetes berdasarkan atribut klinis dasar. Penelitian ini menggunakan dataset Pima Indians Diabetes Database dari UCI Machine Learning Repository yang diunduh melalui Kaggle. Dataset ini terdiri dari 768 instance dengan 8 atribut klinis dan 1 atribut target (Outcome). Nilai nol yang tidak logis secara medis pada atribut Glucose, BloodPressure, SkinThickness, Insulin, dan BMI ditangani melalui imputasi mean, dilanjutkan standardisasi fitur. Model dilatih menggunakan algoritma Random Forest dengan skema stratified 10-fold cross validation pada platform Orange Data Mining. Model mencapai Area Under Curve (AUC) sebesar 0,798, akurasi klasifikasi (CA) 0,746, F1-Score 0,743, presisi 0,742, recall 0,746, dan Matthews Correlation Coefficient (MCC) 0,430. Analisis confusion matrix menunjukkan model lebih baik mengenali kelas tidak diabetes (recall 83,0%) dibandingkan kelas diabetes (recall 59,0%). Glucose dan BMI teridentifikasi sebagai prediktor paling dominan. Random Forest memberikan performa prediksi yang cukup baik, namun sensitivitas terhadap kelas diabetes masih perlu ditingkatkan melalui penanganan ketidakseimbangan kelas dan penyesuaian hyperparameter. Kata Kunci: diabetes melitus, klasifikasi, machine learning, orange data mining, random forest]]>
