<![CDATA[Sebagai penyakit metabolik yang bersifat kronis, Diabetes Melitus memerlukan upaya deteksi sejak dini untuk menekan kemungkinan terjadinya komplikasi. Mengingat proses diagnosis manual masih menghadapi keterbatasan waktu dan biaya, penelitian ini dilakukan untuk mengembangkan model prediksi berbasis data dengan memanfaatkan Diabetes Health Indicators Dataset. Fokus utama penelitian ini adalah membandingkan kinerja dua algoritma Machine Learning, yaitu Random Forest dan Decision Tree. Pendekatan klasifikasi diterapkan melalui tahapan pra-pemrosesan data yang sistematis untuk mencegah terjadinya kebocoran informasi (data leakage). Tahapan tersebut meliputi standarisasi fitur, pengkodean variabel, serta penanganan ketidakseimbangan kelas menggunakan metode SMOTE pada data pelatihan. Model dikembangkan dengan skema pembagian data sebesar 80:20 dan dievaluasi menggunakan metrik Akurasi, Presisi, Recall dan F1-Score. Hasil eksperimen menunjukkan bahwa kedua algoritma memiliki performa yang relatif sebanding. Random Forest menunjukkan keunggulan tipis dengan nilai Akurasi sebesar 91,98% dan F1-Score sebesar 92,84%. Nilai tersebut sedikit lebih tinggi dibandingkan Decision Tree yang memperoleh Akurasi 91,84% dan F1-Score 92, 74%. Analisis fitur lebih lanjut menunjukkan bahwa HbA1c dan kadar glukosa darah merupakan variabel yang paling dominan dalam proses prediksi. Dengan demikian, dapat disimpulkan bahwa meskipun kedua algoritma menunjukkan kinerja yang reliabel, Random Forest menawarkan stabilitas prediksi yang lebih baik pada kasus ini.]]>
