<![CDATA[Diabetes melitus merupakan penyakit kronis dengan prevalensi global yang terus meningkat sehingga deteksi dini berbasis data sangat diperlukan. Penelitian ini bertujuan membandingkan kinerja algoritma Decision Tree dan Naive Bayes dalam memprediksi risiko diabetes pada Pima Indians Diabetes Database yang terdiri atas 768 data dengan delapan atribut prediktor dan satu label. Penelitian mengikuti kerangka CRISP-DM dan diimplementasikan menggunakan RapidMiner. Perbedaan dengan penelitian terdahulu terletak pada penggunaan kerangka CRISP-DM, cross validation, serta evaluasi lima metrik sekaligus, termasuk AUC. Tahap persiapan data meliputi pengubahan nilai nol yang tidak valid secara biologis menjadi nilai hilang, imputasi dengan rata-rata atribut, dan penetapan label kelas. Evaluasi menggunakan confusion matrix serta metrik akurasi, precision, recall, F1-score, dan Area Under the Curve (AUC). Hasil menunjukkan Decision Tree memperoleh akurasi 73,57%, precision 68,16%, recall 45,52%, F1-score 54,59%, dan AUC 0,674, sedangkan Naive Bayes memperoleh akurasi 74,48%, precision 64,52%, recall 59,70%, F1-score 62,02%, dan AUC 0,817. Naive Bayes unggul pada empat dari lima metrik, terutama recall dan AUC, yang penting dalam skrining medis karena kegagalan mendeteksi pasien diabetes berdampak serius. Decision Tree tetap unggul pada precision dan menghasilkan model yang mudah ditafsirkan. Temuan ini menunjukkan bahwa Naive Bayes lebih sesuai sebagai dasar sistem pendukung keputusan skrining awal risiko diabetes pada dataset yang digunakan.]]>
Copyrights © 2026
