<![CDATA[Diabetes melitus merupakan penyakit kronis yang memerlukan deteksi dini untuk mendukung penanganan yang lebih tepat. Metode machine learning telah banyak digunakan untuk memprediksi status diabetes berdasarkan data klinis, tetapi hasil prediksi biner belum memberikan informasi tingkat risiko secara terstruktur. Oleh karena itu, penelitian ini mengembangkan sistem pendukung keputusan klinis yang mengintegrasikan Random Forest untuk prediksi diabetes dan TOPSIS untuk kategorisasi risiko. Data yang digunakan adalah Pima Indians Diabetes Dataset yang terdiri atas delapan variabel klinis dan satu variabel target. Random Forest digunakan untuk melakukan klasifikasi status diabetes dan menghasilkan feature importance sebagai bobot kriteria TOPSIS. Nilai preferensi TOPSIS kemudian dikategorikan menjadi risiko relatif rendah, sedang, dan tinggi menggunakan batas persentil. Evaluasi Random Forest dilakukan menggunakan 5-Fold Cross-Validation, sedangkan hasil TOPSIS dibandingkan dengan kategori pembanding berbasis literatur. Skenario dataset seimbang memperoleh accuracy 0,7668, precision 0,7676, recall 0,7726, dan F1-score 0,7674. Pengujian TOPSIS terhadap 60 data menghasilkan tingkat kesesuaian 73,33% dan Spearman Rank Correlation 0,7794. Seluruh pengujian fungsionalitas sistem memperoleh status sesuai. Kategori yang dihasilkan merupakan pengelompokan relatif dan belum merupakan kategori risiko klinis yang tervalidasi.]]>
Copyrights © 2026
