<![CDATA[Prediksi nefropati diabetik yang efektif dan efisien penting untuk mencegah komplikasi serius, seperti gagal ginjal. Model machine learning dapat memberikan prediksi cepat dan akurat. Data pasien nefropati diproses melalui prapemrosesan untuk mengoptimalkan model, termasuk konversi data kategorikal ke numerik, normalisasi menggunakan Min-Max, dan oversampling dengan SMOTE untuk menyeimbangkan distribusi kelas. Fitur diseleksi berdasarkan importance score untuk mengurangi kompleksitas model. Random Forest digunakan dengan parameter optimal yang diperoleh dari Hyperparameter Tuning. Hasil menunjukkan bahwa model Random Forest dengan data prapemrosesan memiliki performa lebih baik dibandingkan model tanpa prapemrosesan, meski perbedaannya tidak terlihat signifikan. Model ini juga lebih unggul dibandingkan model machine learning lainnya seperti KNN, SVM, dan Gaussian Naïve Bayes dalam akurasi, presisi, reecall, f1 score, dan AUC score (0.96), yang menunjukkan kemampuannya dalam membedakan data positif dan negatif. Penelitian ini berhasil mengimplementasikan model Random Forest dalam memprediksi penyakit nefropati diabetik dengan hasil yang cukup baik, namun penelitian yang lebih mendalam dapat dilakukan untuk mengoptimalkan model dalam memprediksi nefropati diabetik.]]>
Copyrights © 2025
