<![CDATA[Deteksi dini diabetes merupakan langkah krusial dalam mencegah komplikasi jangka panjang yang dapat membahayakan kesehatan pasien. Melalui penelitian ini, dirancang dan diuji sebuah sistem prediksi risiko diabetes yang memanfaatkan algoritma machine learning untuk membantu deteksi dini serta mengurangi risiko kesehatan jangka panjang yang terintegrasi dalam aplikasi telemedicine. Dalam konteks ini, machine learning dimanfaatkan untuk melakukan klasifikasi terhadap status diabetes pasien berdasarkan parameter klinis. Empat algoritma digunakan dalam studi ini, yaitu K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Logistic Regression, dan Decision Tree. Keempat algoritma ini dipilih karena mewakili pendekatan klasifikasi yang berbeda, memiliki rekam jejak yang baik dalam penelitian medis, serta dapat dioptimasi untuk meningkatkan akurasi prediksi. Proses optimasi hyperparameter mencakup n_neighbors dan weights pada KNN; C, kernel, dan gamma pada SVM; C dan penalty pada Logistic Regression; serta max_depth dan min_samples_leaf pada Decision Tree untuk memaksimalkan kinerja masing-masing model. Dataset yang digunakan berasal dari RSD Balung Jember dengan total 1.450 data pasien dan 12 fitur medis. Hasil evaluasi menunjukkan bahwa model SVM dan Decision Tree memberikan performa terbaik, dengan akurasi masing-masing mencapai 98,97% dan 99,66%, serta nilai F1-score hingga 1,00. Sementara itu, metrik precision dan recall juga menunjukkan hasil yang tinggi, menandakan keandalan model dalam mengklasifikasikan kondisi diabetes secara tepat. Sistem prediksi yang dibangun kemudian diintegrasikan ke dalam platform telemedicine berbasis web menggunakan framework Laravel. Evaluasi integrasi menunjukkan bahwa model mampu memberikan hasil prediksi secara real-time dengan waktu respons rata-rata 0,86 detik dan akurasi tetap konsisten di atas 98% setelah diimplementasikan dalam aplikasi. Hal ini menunjukkan bahwa pendekatan berbasis machine learning dengan dukungan optimasi parameter berhasil menghasilkan sistem deteksi dini diabetes yang akurat, efisien, dan dapat diterapkan secara praktis dalam skenario layanan kesehatan digital di Indonesia.]]>
