<![CDATA[Klasifikasi penyakit Diabetes Mellitus secara akurat memerlukan model yang efisien serta mampu mengatasi tantangan umum dalam data medis, yaitu ketidakseimbangan kelas dan keberadaan fitur tidak relevan. Penelitian ini bertujuan untuk meningkatkan performa klasifikasi dengan mengintegrasikan metode seleksi fitur Backward Elimination (BE) dan teknik penyeimbangan kelas Synthetic Minority Over-Sampling Technique (SMOTE) ke dalam algoritma Random Forest (RF). Dataset yang digunakan berasal dari Mendeley Data dan terdiri atas 1.000 sampel pasien dengan 14 atribut medis. Setelah dilakukan penghapusan atribut non-informatif dan normalisasi Min-Max, label kelas dikonversi menjadi biner. Implementasi dilakukan pada platform RapidMiner Studio 10.1 dengan skema validasi 5-Fold Cross Validation. Seleksi fitur dilakukan menggunakan pendekatan Wrapper-Based BE yang mengevaluasi kontribusi tiap fitur terhadap performa model secara iteratif, sementara SMOTE diterapkan secara terstruktur pada training subprocess guna mencegah data leakage. Hasil eksperimen menunjukkan bahwa jumlah fitur dapat dikurangi dari 12 menjadi 9 tanpa menurunkan performa klasifikasi. Model kombinasi BE + SMOTE + RF menunjukkan peningkatan pada seluruh metrik evaluasi akurasi 97,50%, F1-score 98,50%, dan AUC 99,60%. Selain meningkatkan akurasi, model juga menjadi lebih ringan dan stabil. Temuan ini memperkuat pentingnya seleksi fitur dan penyeimbangan kelas dalam pengembangan sistem klasifikasi medis. Model yang dihasilkan berpotensi untuk diterapkan dalam sistem pendukung keputusan klinis, termasuk pada fasilitas kesehatan dengan keterbatasan sumber daya, guna mendukung skrining awal berbasis data yang efisien dan akurat.]]>
Copyrights © 2026
