<![CDATA[Penyakit diabetes melitus merupakan masalah kesehatan global yang memerlukan deteksi dini secara akurat. Penelitian ini bertujuan untuk membandingkan kinerja empat algoritma Machine Learning, Decision Tree, K-Nearest Neighbor (K-NN), Naive Bayes, dan XGBoost dalam memprediksi risiko diabetes berdasarkan indikator gaya hidup. Data yang digunakan bersumber dari dataset sekunder Behavioral Risk Factor Surveillance System (BRFSS) tahun 2015 yang memiliki karakteristik kelas tidak seimbang (imbalanced data). Evaluasi model dilakukan menggunakan pembagian data uji sebesar 20%, dengan metrik pengujian yang mencakup Akurasi, Precision, Recall, F1-Score, serta analisis Confusion Matrix. Hasil penelitian menunjukkan bahwa algoritma XGBoost mencapai tingkat akurasi keseluruhan tertinggi sebesar 86,71%. Namun, akibat ketidakseimbangan dataset, model tersebut cenderung gagal mendeteksi kelas minoritas sehingga menghasilkan nilai Recall yang sangat rendah (17,80%). Sebaliknya, algoritma Naive Bayes dengan tingkat akurasi 77,20% justru berhasil mencatatkan kinerja diagnostik terbaik, dibuktikan dengan nilai Recall tertinggi (56,55%) dan F1-Score (40,62%). Kesimpulan dari penelitian ini menegaskan bahwa untuk tujuan skrining medis, di mana kesalahan False Negative sangat berisiko fatal, Naive Bayes merupakan model klasifikasi yang paling fungsional dan dapat diandalkan dibandingkan model yang sekadar mengandalkan akurasi tinggi.]]>
Copyrights © 2026
