<![CDATA[Diabetes melitus adalah penyakit kronis dengan prevalensi yang meningkat secara global. Diagnosis dini sangat penting untuk mencegah komplikasi, tetapi metode tradisional sering memerlukan waktu dan akses yang terbatas. Penelitian ini membandingkan algoritma Random Forest dan Decision Tree dalam memprediksi diabetes menggunakan dataset dari Kaggle. Algoritma ini dipilih karena kemampuan mereka menangani data kesehatan yang kompleks. Random Forest menggunakan pendekatan ensemble learning untuk meningkatkan akurasi dan stabilitas, sedangkan Decision Tree menawarkan interpretasi hasil yang lebih intuitif. Evaluasi dilakukan dengan metrik seperti akurasi, presisi, recall, dan Area Under Curve (AUC). Hasil menunjukkan Random Forest unggul dalam akurasi (78,78%) dan stabilitas dibandingkan Decision Tree (77,34%). Namun, Decision Tree lebih efisien secara komputasi dan mudah diinterpretasi. Analisis ini memberikan wawasan dalam memilih algoritma prediksi diabetes yang sesuai berdasarkan kebutuhan klinis dan sumber daya. Penelitian ini merekomendasikan Random Forest untuk keandalan prediksi dan Decision Tree untuk skenario yang memerlukan efisiensi dan interpretabilitas. Implementasi lebih lanjut diharapkan membantu tenaga medis dalam pengambilan keputusan yang lebih baik.]]>
Copyrights © 2025
