<![CDATA[Beberapa penyakit umum seperti malaria, demam berdarah dengue (DBD), tifoid, infeksi saluran pernapasan akut (ISPA), dan Gastroenteritis memiliki gejala awal yang saling tumpang tindih sehingga sering menyulitkan identifikasi dini pada fasilitas kesehatan tingkat pertama, salah satunya Klinik Banda Neira yang saat ini masih melakukan identifikasi gejala secara manual. Penelitian ini bertujuan membangun sistem pendukung keputusan (decision support system) berbasis web menggunakan algoritma Random Forest sebagai alat bantu skrining awal bagi tenaga kesehatan, bukan sebagai penentu diagnosis mutlak, yang menampilkan tiga kemungkinan penyakit dengan probabilitas tertinggi (top-3 probability) berdasarkan gejala yang diinput pengguna. Dataset penelitian merupakan integrasi 4.027 data yang terdiri atas 886 data (22%) rekam medis Klinik Banda Neira dan 3.141 data (78%) dataset publik; sebelum digabungkan, kedua sumber data diselaraskan (harmonisasi) terlebih dahulu ke dalam struktur atribut yang identik, yaitu sepuluh variabel gejala biner (demam, batuk, mual, muntah, diare, sakit kepala, nyeri otot, menggigil, sesak napas, dan ruam merah) serta lima label penyakit yang sama. Tahapan penelitian meliputi preprocessing data, pembagian data latih-uji secara stratified (80:20), pelatihan model, hyperparameter tuning menggunakan GridSearchCV, serta evaluasi menggunakan accuracy, precision, recall, F1-score, confusion matrix, dan 5-fold cross-validation. Pengujian black box terhadap sembilan skenario menunjukkan seluruh fitur sistem berjalan sesuai rancangan. Hasil evaluasi menunjukkan algoritma Random Forest menghasilkan akurasi 87,59%, precision (weighted) 89,09%, recall (weighted) 87,59%, F1-score (weighted) 87,78%, serta rata-rata akurasi cross-validation 87,24% (standar deviasi 1,28%). Confusion matrix menunjukkan kesalahan klasifikasi terbesar antara kelas DBD dan Tifoid akibat kemiripan gejala awal, sedangkan feature importance menunjukkan gejala batuk sebagai fitur dengan kontribusi tertinggi. Dengan demikian, algoritma Random Forest terbukti mampu memberikan kinerja klasifikasi yang baik dan stabil sebagai sistem pendukung keputusan awal bagi tenaga medis, dengan keterbatasan utama berupa representasi gejala yang masih bersifat biner tanpa mempertimbangkan derajat keparahan]]>
