<![CDATA[Abstrak Peningkatan kasus Diabetes Mellitus menuntut adanya metode deteksi dini yang efektif untuk mencegah komplikasi serius pada penderita. Penelitian ini bertujuan mengklasifikasikan risiko diabetes menggunakan algoritma Decision Tree yang mampu menghasilkan aturan keputusan yang mudah diinterpretasikan oleh tenaga medis. Penelitian memanfaatkan dataset Pima Indians Diabetes dari repositori UCI Machine Learning yang diolah menggunakan perangkat lunak RapidMiner. Melalui tahapan preprocessing dan pembagian data latih serta uji dengan rasio 80:20, model dievaluasi menggunakan Confusion Matrix dan kurva ROC. Hasil pengujian menunjukkan model mencapai akurasi 70.13%, presisi 70.00%, recall 25.93%, dan nilai AUC sebesar 0.736 (fair performance). Meskipun nilai recall rendah mengindikasikan keterbatasan sensitivitas, tingginya nilai presisi menunjukkan model sangat andal dalam meminimalkan kesalahan diagnosis positif palsu. Secara spesifik, model menemukan aturan klinis bahwa kadar glukosa di atas 127.5 mg/dL merupakan indikator risiko tinggi, diikuti oleh Body Mass Index (BMI) dan usia sebagai faktor determinan sekunder pada pasien dengan gula darah normal. Penelitian ini menyimpulkan bahwa metode Decision Tree efektif digunakan sebagai sistem pendukung keputusan medis berbasis aturan (rule-based decision support) untuk identifikasi profil risiko pasien.]]>
Copyrights © 2025
