<![CDATA[Diabetes melitus tetap menjadi salah satu permasalahan kesehatan kronis global yang memerlukan deteksi dini untuk mengurangi risiko komplikasi. Machine learning telah banyak diterapkan untuk memprediksi diabetes menggunakan data survei kesehatan populasi seperti Behavioral Risk Factor Surveillance System (BRFSS), tetapi sebagian penelitian masih menitikberatkan accuracy meskipun data mengalami ketidakseimbangan kelas. Kondisi tersebut dapat menyebabkan kemampuan model dalam mengenali kasus positif kurang teridentifikasi secara optimal. Penelitian ini membandingkan lima algoritma, yaitu Support Vector Machine, Logistic Regression, Random Forest, XGBoost, dan Naive Bayes, menggunakan BRFSS 2015 dengan recall sebagai kriteria utama pemilihan model, bukan sekadar metrik evaluasi, serta menerapkan feature importance pada model dengan kemampuan deteksi terbaik. Tahapan penelitian meliputi praproses, penyederhanaan label menjadi biner, pembagian data 80:20, SMOTE, pelatihan model baseline, dan optimasi hyperparameter menggunakan GridSearchCV. Hasil menunjukkan SVM memperoleh recall tertinggi sebesar 77%, diikuti Logistic Regression sebesar 76%. Optimasi meningkatkan recall Random Forest dari 31% menjadi 65% dan XGBoost dari 23% menjadi 61%. Feature importance mengidentifikasi GenHlth, usia, BMI, HighBP, dan HighChol sebagai fitur dominan. Pendekatan ini menempatkan kemampuan deteksi kasus positif sebagai dasar seleksi model dan interpretasi fitur]]>
Copyrights © 2026
