<![CDATA[Penelitian ini bertujuan untuk membandingkan performa tiga algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN), Decision Tree, dan Random Forest, dalam prediksi penyakit diabetes menggunakan dataset Pima Indians Diabetes. Tujuan penelitian adalah menentukan algoritma yang paling efektif untuk mendukung sistem pendukung keputusan medis dalam deteksi dini diabetes. Metode penelitian meliputi pra-pemrosesan data, termasuk imputasi nilai nol pada fitur medis menggunakan median untuk menggantikan missing values, normalisasi fitur menggunakan StandardScaler sehingga data memiliki rata-rata 0 dan standar deviasi 1, serta pembagian dataset menjadi data latih dan data uji dengan rasio 80:20 secara stratifikasi untuk menjaga proporsi kelas. Ketiga algoritma kemudian dilatih dan diuji menggunakan prosedur eksperimen yang terstandarisasi dan dievaluasi dengan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik, dengan akurasi dan kestabilan prediksi yang lebih tinggi dibanding KNN dan Decision Tree, mampu menangani outlier, variasi data, dan kompleksitas hubungan antar fitur, serta mengurangi risiko overfitting melalui mekanisme ensemble. Analisis visual memperlihatkan mayoritas prediksi benar tersebar merata, sedangkan kesalahan muncul sporadis akibat tumpang tindih fitur antar kelas. Temuan ini konsisten dengan studi sebelumnya yang menekankan keunggulan Random Forest dalam klasifikasi medis. Kesimpulannya, Random Forest direkomendasikan sebagai algoritma utama untuk pengembangan sistem pendukung keputusan medis, memberikan prediksi yang stabil, akurat, dan memiliki kemampuan generalisasi lebih baik, sehingga dapat digunakan secara efektif untuk deteksi dini diabetes.]]>
