<![CDATA[Diabetes Melitus merupakan salah satu penyakit kronis yang memerlukan deteksi dini dan klasifikasi yang akurat untuk mendukung pengambilan keputusan dalam bidang kesehatan. Salah satu algoritma yang banyak digunakan untuk tugas klasifikasi adalah Random Forest, namun performanya dipengaruhi oleh pemilihan hyperparameter yang tepat. Penelitian ini bertujuan untuk menganalisis pengaruh hyperparameter tuning menggunakan metode GridSearchCV terhadap kinerja algoritma Random Forest dalam klasifikasi Diabetes Melitus. Dataset yang digunakan diperoleh dari Mendeley Data dan terdiri atas 826 data setelah melalui tahap preprocessing. Penelitian dilakukan dengan membandingkan performa model Random Forest sebelum dan sesudah proses hyperparameter tuning menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model tanpa tuning menghasilkan accuracy sebesar 97,59%, precision 99,07%, recall 85,75%, dan F1-score 90,93%. Setelah dilakukan tuning menggunakan GridSearchCV, diperoleh parameter terbaik yaitu criterion = gini, max_depth = 15, min_samples_leaf = 1, max_features = sqrt, dan n_estimators = 300, yang menghasilkan accuracy sebesar 98,19%, precision 99,30%, recall 89,91%, dan F1-score 93,98%. Hasil penelitian menunjukkan bahwa penerapan GridSearchCV memberikan pengaruh positif terhadap performa Random Forest, terutama dalam meningkatkan kemampuan model mengenali kelas minoritas yang ditunjukkan oleh peningkatan nilai recall dan F1-score. Dengan demikian, hyperparameter tuning menggunakan GridSearchCV dapat digunakan untuk mengoptimalkan kinerja Random Forest dalam klasifikasi Diabetes Melitu gayanya.]]>
Copyrights © 2026
