<![CDATA[Diabetes merupakan penyakit kronis yang dapat menyebabkan dampak serius jika tidak ditangani sejak dini, termasuk komplikasi seperti kerusakan organ dan penyakit kardiovaskular. Deteksi dini menggunakan teknologi machine learning menjadi salah satu kunci untuk pencegahan dan penanganan yang lebih efektif. Penelitian ini bertujuan untuk mengembangkan model prediksi risiko diabetes dengan menggunakan beberapa algoritma machine learning, seperti Random Forest, Naïve Bayes, Decision Tree, Logistic Regression, dan XGBoost. Dataset "Early Stage Diabetes Risk Prediction" dari UCI, yang terdiri dari 16 fitur dan 520 data, digunakan sebagai dasar pelatihan model. Beberapa teknik seleksi fitur, seperti Analisis Korelasi, Chi-Square, Information Gain, dan Fisher’s Score, diterapkan untuk mengidentifikasi fitur yang paling relevan dan mengurangi kompleksitas model. Evaluasi dilakukan menggunakan metrik seperti Accuracy, Precision, Recall, dan F1 Score. Hasil penelitian menunjukkan bahwa penerapan seleksi fitur secara signifikan meningkatkan performa model, menjadikannya jauh lebih baik dan akurat untuk mendukung deteksi dini risiko diabetes serta pengambilan keputusan medis yang lebih tepat dan responsif.]]>
Copyrights © 2025
